Human Brain Project og Intel arbejder sammen om at udvikle neuromorfe teknologi

Et hold af forskere i Human Brain Project (HBP) arbejder sammen med Intel (INTC ) for at udvikle neuromorfe teknologi og bringe kunstig intelligens (AI) tættere på den energoeffektivitet, som det menneskelige hjerte har. Neuromorfe teknologi er mere energoeffektiv til store dybe lærenetværk sammenlignet med andre AI-systemer.

Forskere i HBP og Intel har gennemført en række eksperimenter, der demonstrerer denne effektivitet. Eksperimenterne involverede en ny Intel-chip, der afhænger af neuroner, der ligner dem i det menneskelige hjerte. Dette var første gang, at sådanne resultater blev demonstreret.

Forskningen blev offentliggjort i Nature Machine Intelligence.

Intels Loihi-chip

Gruppen fokuserede på algoritmer, der arbejder med tidsprocesser, og systemet skulle besvare spørgsmål om en tidligere fortalt historie, mens det forstod relationerne mellem objekter eller personer fra konteksten. Hardwaren bestod af 32 Loihi-chip, der er Intels neuronale forskningschip.

Phillip Plank er en ph.d.-studerende ved TU Graz’s Institut for Teoretisk Computer Science og en ansat ved Intel.

“Vores system er to til tre gange mere økonomisk her end andre AI-modeller,” siger Plank.

Plank mener, at når den nye Loihi-generation introduceres, vil den have flere effektivitetsgevinster og forbedre energiintensive chip-til-chip-kommunikation. Målinger viste, at forbruget var 1000 gange mere effektivt, da der ikke var nødvendige handlinger, der skulle sendes tilbage og frem mellem chipene.

Gruppen genskabte en formodet metode for det menneskelige hjerte.

Wolfgang Maass er Philipp Planks doktorvejleder og professor emeritus ved Institut for Teoretisk Computer Science.

“Eksperimenter har vist, at det menneskelige hjerte kan gemme information i en kort periode, selv uden neuronaktivitet, nemlig i såkaldte ‘interne variabler’ i neuroner,” siger Maass. “Simulationer antyder, at en træthedsmechanisme i en undergruppe af neuroner er essentiel for denne korte hukommelse.”

Linking Deep Learning Networks

For at opnå dette, linker forskerne to typer dybe lærenetværk. Feedback-neuronale netværk er ansvarlige for “kortvarig hukommelse”, og rekurrente moduler filtrerer ud mulig relevant information fra inputsignalet og gemmer det. Et feed-forward-netværk bestemmer, hvilke af relationerne, der er vigtige for at løse den aktuelle opgave. Relationer, der er meningsløse, filtreres ud, og neuronerne affyrer kun i de moduler, hvor relevant information er fundet. Denne hele proces er det, der fører til dramatiske energibesparelser.

Steve Furber er leder af HBP’s neuromorfe beregningsafdeling og professor i computeringeniørvidenskab ved University of Manchester.

“Denne fremgang bringer løftet om energoeffektiv begivenhedsbaseret AI på neuromorfe platforme et vigtigt skridt nærmere opfyldelse. Den nye mekanisme er velegnet til neuromorfe beregningsystemer som Intel Loihi og SpiNNaker, der kan understøtte multi-kompartment neuronmodeller,” sagde Furber.