Ihmisen Aivojen Projekti ja Intel Työskentelevät Yhdessä Edistääkseen Neuromorfinen Teknologiaa

Ihmisen Aivojen Projektin (HBP) tutkijaryhmä työskentelee Intelin kanssa edistääkseen neuromorfinen teknologiaa ja lähentääkseen tekoälyä ihmisaivojen energiatehokkuutta. Neuromorfinen teknologia on energiatehokkaampi suurten syvien oppimisen verkostojen kanssa verrattuna muihin tekoälyjärjestelmiin.

HBP:n ja Intelin tutkijat suorittivat joukon kokeita, jotka osoittivat tämän tehokkuuden. Kokeet sisälsivät uuden Intel (INTC ) -piirin, joka perustuu hermosolmujen kaltaisiin hermosolmuhin, jotka ovat samanlaisia kuin ihmisaivoissa. 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. Laitekohtaisuus koostui 32 Loihi-piiristä, jotka ovat Intelin hermosolmututkimuspiirejä.

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 myötä tulisi lisää tehokkuutta ja parantaa energiankulutusta piirien välisessä viestinnässä. 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 väitöskirjatutkija ja emeritusprofessori teoreettisen tietojenkäsittelytieteen laitoksella.

“Kokeelliset tutkimukset ovat osoittaneet, että ihmisaivot voivat säilyttää tietoa lyhyen aikaa ilman hermosolmutoimintaa, nimittäin niin kutsutuissa ‘sisäisissä muuttujissa’ hermosoluissa”, Maass sanoo. “Simuloinnit osoittavat, että hermosolmuryhmän väsymismekanismi on välttämätön lyhytaikaisen muistin kannalta.”

Linkittäminen Syvien Oppimisen Verkostoihin

Tätä varten tutkijat linkittävät kaksi tyyppiä syvien oppimisen verkostoista. Palautehermosolmuerkostot ovat vastuussa “lyhytaikaisesta muistista”, ja toistuvat moduulit suodattavat mahdollisesti merkityksellisen tiedon syötesignaalista ja säilyttävät sen. Etenevän verkkorakenteen 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 neuromorfinen laskennan jaottimen johtaja ja tietokoneiden insinöörien professori Manchesterin yliopistossa.

“Tämä edistysaskele tuo lupaavan energiatehokkaan tapahtumaan perustuvan tekoälyn luvun neuromorfinen laskennan alustoille tärkeän askeleen lähemmäs toteutumista. Uusi mekanismi on hyvin soveltuva neuromorfinen laskennan järjestelmiin, kuten Intel Loihi ja SpiNNaker, jotka pystyvät tukemaan moniosaisia hermosolmumalleja”, Furber sanoo.