Έργο Ανθρώπινου Εγκεφάλου, Intel Συνεργάζονται για την Προώθηση της Νευρομορφικής Τεχνολογίας

Μια ομάδα ερευνητών στο Έργο Ανθρώπινου Εγκεφάλου (HBP) συνεργάζονται με την Intel (INTC ) για την προώθηση της νευρομορφικής τεχνολογίας και για να φέρουν την τεχνητή νοημοσύνη πιο κοντά στην ενεργειακή αποτελεσματικότητα του ανθρώπινου εγκεφάλου. Η νευρομορφική τεχνολογία είναι πιο ενεργειακά αποτελεσματική για μεγάλες βαθεις μαθησιακές δικτυώσεις όταν συγκρίνεται με άλλα συστήματα τεχνητής νοημοσύνης.

Ερευνητές στο HBP και στην Intel διεξήγαγαν μια σειρά πειραμάτων που αποδείκνυαν αυτήν την αποτελεσματικότητα. Τα πειράματα αφορούσαν einen νέο πυρήνα της Intel που βασίζεται σε νευρώνες παρόμοιους με εκείνους του ανθρώπινου εγκεφάλου. Αυτή ήταν η πρώτη φορά που τέτοια αποτελέσματα αποδείχθηκαν.

Η έρευνα δημοσιεύθηκε στο Nature Machine Intelligence.

Επιταχυντές Loihi της Intel

Η ομάδα εστίασε σε αλγόριθμους που λειτουργούν με χρονικές διαδικασίες, και το σύστημα έπρεπε να απαντήσει σε ερωτήσεις σχετικά με μια προηγουμένως απαγγελθείσα ιστορία ενώ κατανοούσε τις σχέσεις μεταξύ αντικειμένων ή ατόμων από το контέκστ. Το υλικό αποτελούνταν από 32 επιταχυντές Loihi, οι οποίοι είναι οι νευρωνικοί ερευνητικοί επιταχυντές της Intel.

Ο Phillip Plank είναι διδακτορικός φοιτητής στο Ινστιτούτο Θεωρητικής Πληροφορικής του TU Graz και υπάλληλος στην Intel.

“Το σύστημά μας είναι δύο έως τρεις φορές πιο οικονομικό εδώ από άλλα μοντέλα τεχνητής νοημοσύνης”, λέει ο Plank.

Ο Plank πιστεύει ότι καθώς εισαγωγείται η νέα γενιά Loihi, θα υπάρχει περισσότερη ενεργειακή απόδοση και θα βελτιωθεί η ενεργειακά εντατική επικοινωνία μεταξύ των chip. Τα μέτρημα showed ότι η κατανάλωση ήταν 1000 φορές πιο αποτελεσματική既然 δεν υπήρχαν απαιτούμενες δράσεις που έπρεπε να σταλούν μπρος και πίσω μεταξύ των chip.

Η ομάδα αναπαράστησε μια υποτιθέμενη μέθοδο του ανθρώπινου εγκεφάλου.

Ο Wolfgang Maass είναι ο επιβλέπων του διδακτορικού του Plank και ομότιμος καθηγητής στο Ινστιτούτο Θεωρητικής Πληροφορικής.

“Πειραματικές μελέτες έχουν δείξει ότι ο ανθρώπινος εγκέφαλος μπορεί να αποθηκεύσει πληροφορίες για 短 기간時間 ακόμη και χωρίς νευρωνική δραστηριότητα, δηλαδή σε così-called ‘εσωτερικές μεταβλητές’ των νευρώνων”, λέει ο Maass. “Προσομοιώσεις δείχνουν ότι ένας μηχανισμός κόπωσης ενός υποσυνόλου νευρώνων είναι απαραίτητος για αυτήν τη βραχυπρόθεσμη μνήμη.”

Σύνδεση Βαθιών Μαθησιακών Δικτυώσεων

Για να επιτύχουν αυτό, οι ερευνητές συνδέουν δύο τύπους βαθιών μαθησιακών δικτυώσεων. Τα δίκτυα ανατροφοδότησης είναι υπεύθυνα για τη «βραχυπρόθεσμη μνήμη», και τα ανακυκλούμενα modules φιλτράρουν τις πιθανές σχετικές πληροφορίες από το εισερχόμενο σήμα και τις αποθηκεύουν. Ένα δίκτυο feed-forward καθορίζει ποιες από τις σχέσεις που βρέθηκαν είναι σημαντικές για την επίλυση του τρέχοντος καθήκοντος. Οι σχέσεις που είναι άσχετες φιλτράρονται και οι νευρώνες πυροδοτούν μόνο σε αυτά τα modules όπου βρέθηκαν σχετικές πληροφορίες. Αυτή η ολόκληρη διαδικασία οδηγεί σε δραματικές ενεργειακές экономίες.

Ο Steve Furber είναι ο ηγέτης της διεύθυνσης νευρομορφικής υπολογιστικής του HBP και καθηγητής Μηχανικής Υπολογιστών στο Πανεπιστήμιο του Manchester.

“Αυτή η πρόοδος φέρνει την υπόσχεση της ενεργειακά αποτελεσματικής, βασισμένης σε γεγονότα, τεχνητής νοημοσύνης σε νευρομορφικές πλατφόρμες ένα σημαντικό βήμα πιο κοντά στην πραγματοποίηση. Ο νέος μηχανισμός είναι καλά προσαρμοσμένος σε νευρομορφικά συστήματα υπολογιστικής όπως η Intel Loihi και η SpiNNaker που μπορούν να υποστηρίξουν multi-διαμέρισμα μοντέλα νευρώνων”, είπε ο Furber.