AI-mallit ja alustat
Human Brain Project ja Intel edistävät yhdessä neuromorfista teknologiaa
Human Brain Projectin (HBP) tutkijaryhmä työskentelee Intelin (INTC ) kanssa edistääkseen neuromorfista teknologiaa ja tuodakseen tekoälyn lähemmäs ihmisaivojen energiatehokkuutta. Neuromorfinen teknologia on energiatehokkaampi suurissa syväoppimisverkoissa verrattuna muihin tekoälyjärjestelmiin.
HBP:n ja Intelin tutkijat suorittivat joukon kokeita, jotka osoittivat tämän tehokkuuden. Kokeet sisälsivät uuden Intelin piirin, joka hyödyntää ihmisaivojen hermosolujen kaltaisia neuroneja. Tämä oli ensimmäinen kerta, kun tällaisia tuloksia oli saavutettu.
Tutkimus julkaistiin Nature Machine Intelligence -julkaisussa.
Intelin Loihi-piirit
Ryhmä keskittyi algoritmeihin, jotka toimivat aikaprosessien kanssa, ja järjestelmän piti vastata kysymyksiin aiemmin kerrotusta tarinasta ymmärtäen suhteita objektien tai henkilöiden välillä kontekstin perusteella. Laitteisto koostui 32 Loihi-piiristä, jotka ovat Intelin neuronitutkimukseen tarkoitettuja piirejä.
Phillip Plank on tohtorikoulutettava TU Grazin teoreettisen tietojenkäsittelytieteen laitoksella ja Intelin työntekijä.
“Järjestelmämme on kaksi-kolme kertaa taloudellisempi tässä kuin muut tekoälymallit”, Plank sanoo.
Plank uskoo, että uuden Loihi-sukupolven käyttöönotto parantaa tehokkuutta edelleen ja tehostaa paljon energiaa kuluttavaa piirien välistä viestintää. Mittaukset osoittivat, että kulutus oli 1000 kertaa tehokkaampi, koska ei ollut tarpeen lähettää toimintapotentiaaleja edestakaisin piirien välillä.
Ryhmä toisti oletetun ihmisaivojen menetelmän.
Wolfgang Maass on Philipp Plankin väitöskirjaohjaaja ja emeritusprofessori teoreettisen tietojenkäsittelytieteen laitoksella.
“Kokeelliset tutkimukset ovat osoittaneet, että ihmisaivot voivat säilyttää tietoa lyhyen aikaa ilman hermosolujen toimintaa, nimittäin niin kutsutuissa ‘sisäisissä muuttujissa’ hermosoluissa”, Maass sanoo. “Simuloinnit osoittavat, että hermosolujen alaryhmän väsymismekanismi on välttämätön lyhytaikaisen muistin kannalta.”
Syväoppimisverkkojen yhdistäminen
Tätä varten tutkijat linkittävät kahdentyyppisiä syväoppimisverkkoja. Takaisinkytketyt neuroverkot ovat vastuussa “lyhytaikaisesta muistista”, ja toistuvat moduulit suodattavat mahdollisesti merkityksellisen tiedon syötesignaalista ja säilyttävät sen. Eteenpäin kytketty verkko määrittää, mitkä suhteista ovat tärkeitä nykyisen tehtävän ratkaisemiseksi. Merkityksettömät suhteet suodatetaan pois, ja hermosolut aktivoituvat vain niissä moduuleissa, joissa on löydetty merkityksellistä tietoa. Tämä koko prosessi johtaa dramaattisiin energiansäästöihin.
Steve Furber on HBP:n neuromorfisen laskennan osaston johtaja ja tietokonetekniikan professori Manchesterin yliopistossa.
“Tämä edistysaskel tuo lupauksen energiatehokkaasta tapahtumapohjaisesta tekoälystä neuromorfisilla alustoilla merkittävän askeleen lähemmäs toteutumista. Uusi mekanismi on soveltuva hyvin neuromorfisiin laskentajärjestelmiin, kuten Intel Loihi ja SpiNNaker, jotka pystyvät tukemaan moniosaisia hermosolmumalleja”, Furber sanoo.












