KI-Modelle und Plattformen
KI-Hardware-Technologie imitiert Änderungen in der Topologie von neuronalen Netzen
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Eine Gruppe von Forschern am Korea Advanced Institute of Science and Technology (KAIST) hat ein neues System vorgeschlagen, das von der Neuromodulation des Gehirns inspiriert ist und als “Stashing-System” bezeichnet wird. Dieses neu vorgeschlagene System benötigt weniger Energieverbrauch.
Das Team wurde von Professor Kyung Min Kim vom Department of Materials Science and Engineering geleitet. Die Forschung wurde in Advanced Functional Materials veröffentlicht und von KAIST, der National Research (NRC ) Foundation of Korea, dem National NanoFab Center und SK Hynix unterstützt.
Imitation der Topologie von neuronalen Netzen
Die Forscher entwickelten eine Technologie, die mathematische Operationen für künstliche Intelligenz effizient bearbeiten kann, indem sie die Änderungen in der Topologie des neuronalen Netzes je nach Situation imitiert. Dies wurde von dem menschlichen Gehirn inspiriert, das seine neurale Topologie in Echtzeit ändern kann, um es zu ermöglichen, zu lernen, Erinnerungen zu speichern oder abzurufen, wenn erforderlich.
Diese neue Art von KI-Lernmethode implementiert direkt neurale Koordinations-Schaltkreis-Konfigurationen.
Um eine effektive Implementierung von KI in elektronischen Geräten zu ermöglichen, ist es wichtig, dass eine angepasste Hardware-Entwicklung unterstützt wird. Mit anderen Worten, die meisten elektronischen Geräte, die für KI erstellt werden, benötigen einen hohen Energieverbrauch. Wenn sie große Aufgaben ausführen sollen, benötigen sie auch hochintegrierte Speicher-Arrays. Diese Einschränkungen in Bezug auf Verbrauch und Integration haben sich als schwer zu überwinden erwiesen, sodass Forscher begonnen haben, tiefer in das menschliche Gehirn zu schauen, um zu verstehen, wie es Probleme löst.
Hocheffiziente Technologie
Das Team demonstrierte die Effizienz der neuen Technologie, indem es künstliche neuronale Netzwerk-Hardware mit einem selbstrektifizierenden synaptischen Array und einem Algorithmus erstellte, der als “Stashing-System” bezeichnet wird. Diese Hardware wurde entwickelt, um KI-Lernen durchzuführen, und es gelang, die Energie um 37% innerhalb des Stashing-Systems ohne Beeinträchtigung der Genauigkeit zu reduzieren.
“In dieser Studie haben wir die Lernmethode des menschlichen Gehirns mit nur einer einfachen Schaltkreiskomposition implementiert und durch dies reduzierten wir die benötigte Energie um fast 40 Prozent”, sagte Professor Kim.
Einer der wichtigen Aspekte dieses neuen Stashing-Systems, das die Aktivität des Gehirns imitiert, ist, dass es mit vorhandenen elektronischen Geräten und kommerziellen Halbleiter-Hardware kompatibel ist. Das System könnte eine wichtige Rolle bei der Entwicklung von Next-Generation-Halbleiter-Chips für KI spielen.
