एआई मॉडल और प्लेटफ़ॉर्म
मानव मस्तिष्क परियोजना, इंटेल न्यूरोमॉर्फिक तकनीक को आगे बढ़ाने के लिए एक साथ काम कर रहे हैं
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मानव मस्तिष्क परियोजना (एचबीपी) के शोधकर्ताओं की एक टीम न्यूरोमॉर्फिक तकनीक को आगे बढ़ाने और एआई को मानव मस्तिष्क की ऊर्जा दक्षता के करीब लाने के लिए इंटेल के साथ काम कर रही है। न्यूरोमॉर्फिक तकनीक बड़े गहरे शिक्षण नेटवर्क के लिए अन्य एआई प्रणालियों की तुलना में अधिक ऊर्जा-कुशल है।
एचबीपी और इंटेल के शोधकर्ताओं ने इस दक्षता का प्रदर्शन करने के लिए एक श्रृंखला प्रयोग किए। प्रयोगों में एक नए इंटेल चिप का उपयोग किया गया जो मानव मस्तिष्क में पाए जाने वाले न्यूरॉन्स के समान है। यह पहली बार था जब ऐसे परिणाम प्रदर्शित किए गए थे।
शोध को नेचर मशीन इंटेलिजेंस में प्रकाशित किया गया था।
इंटेल के लोईही चिप्स
समूह ने समय संबंधी प्रक्रियाओं के साथ काम करने वाले एल्गोरिदम पर ध्यान केंद्रित किया, और प्रणाली को पहले सुनाई गई कहानी के बारे में प्रश्नों का उत्तर देना था जबकि संदर्भ से वस्तुओं या लोगों के बीच संबंधों को समझना था। हार्डवेयर में 32 लोईही चिप्स शामिल थे, जो इंटेल के न्यूरोनल रिसर्च चिप्स हैं।
फिलिप प्लैंक टीयू ग्राज़ के सैद्धांतिक कंप्यूटर विज्ञान संस्थान में एक डॉक्टरेट छात्र हैं और इंटेल में एक कर्मचारी हैं।
“हमारी प्रणाली यहाँ अन्य एआई मॉडलों की तुलना में दो से तीन गुना अधिक अर्थव्यवस्था है,” प्लैंक कहते हैं।
प्लैंक का मानना है कि जैसे ही नई लोईही पीढ़ी पेश की जाएगी, इसमें अधिक दक्षता लाभ होगा और ऊर्जा-गहन चिप-से-चिप संचार में सुधार होगा। माप से पता चला कि खपत 1000 गुना अधिक कुशल थी क्योंकि चिप्स के बीच आगे और पीछे भेजने के लिए कोई आवश्यक क्रिया संभावनाएं नहीं थीं।
समूह ने मानव मस्तिष्क की एक मानी हुई विधि को पुनः उत्पन्न किया।
वोल्फगैंग मास फिलिप प्लैंक के डॉक्टरेट पर्यवेक्षक हैं और सैद्धांतिक कंप्यूटर विज्ञान संस्थान में प्रोफेसर एमेरिटस हैं।
“प्रयोगात्मक अध्ययनों से पता चला है कि मानव मस्तिष्क न्यूरॉन्स की आंतरिक विशेषताओं में अल्पावधि के लिए जानकारी संग्रहीत कर सकता है, यहां तक कि न्यूरॉनल गतिविधि के बिना भी,” मास कहते हैं। “सिमुलेशन से सुझाव मिलता है कि एक अल्पावधि स्मृति के लिए न्यूरॉन्स के एक उपसेट की थकान तंत्र आवश्यक है।”
गहरे शिक्षण नेटवर्क को जोड़ना
इसके लिए, शोधकर्ता दो प्रकार के गहरे शिक्षण नेटवर्क को जोड़ते हैं। फीडबैक न्यूरोनल नेटवर्क “अल्पावधि स्मृति” के लिए जिम्मेदार हैं, और पुनरावृत्ति मॉड्यूल इनपुट सिग्नल से संभावित रूप से प्रासंगिक जानकारी को फिल्टर आउट करते हैं और इसे संग्रहीत करते हैं। एक फीड-फॉरवर्ड नेटवर्क यह निर्धारित करता है कि वर्तमान कार्य को हल करने के लिए पाए गए संबंधों में से कौन से महत्वपूर्ण हैं। अर्थहीन संबंधों को फिल्टर आउट किया जाता है, और केवल उन मॉड्यूल में न्यूरॉन्स आग लगाते हैं जहां प्रासंगिक जानकारी पाई जाती है। यह पूरी प्रक्रिया ऊर्जा की बचत का कारण बनती है।
स्टीव फुर्बर एचबीपी न्यूरोमॉर्फिक कंप्यूटिंग डिवीजन के नेता हैं और मैनचेस्टर विश्वविद्यालय में कंप्यूटर इंजीनियरिंग के प्रोफेसर हैं।
“यह प्रगति न्यूरोमॉर्फिक प्लेटफ़ॉर्म पर ऊर्जा-कुशल इवेंट-आधारित एआई का वादा एक महत्वपूर्ण कदम और पूरा करने के लिए लाती है। नई तंत्र इंटेल लोईही और स्पिन्नाकर जैसे न्यूरोमॉर्फिक कंप्यूटिंग प्रणालियों के लिए उपयुक्त है जो बहु-कक्ष न्यूरॉन मॉडल का समर्थन कर सकते हैं,” फुर्बर ने कहा।
