Hardverska tehnologija umjetne inteligencije imitira promjene u topologiji neuronske mreže

Grupa istraživača s Korejskog naprednog instituta za znanost i tehnologiju (KAIST) predložila je novi sustav inspiriran neuromodulacijom mozga, koji se naziva "sustav za skrivanje". Ovaj novopredloženi sustav zahtijeva manju potrošnju energije. 

Tim je vodio profesor Kyung Min Kim s Odjela za znanost o materijalima i inženjerstvo. Istraživanje je objavljeno u Napredni funkcionalni materijali i uz potporu KAIST-a, Nacionalne istraživačke zaklade Koreje, Nacionalnog centra za nanofab i SK Hynix. 

Oponašanje topologije neuronske mreže

Istraživači su razvili tehnologiju koja se može učinkovito nositi s matematičkim operacijama za umjetnu inteligenciju imitirajući promjene u topologiji neuronske mreže ovisno o situaciji. Ovo je inspirirano ljudskim mozgom, koji može promijeniti svoju neuralnu topologiju u stvarnom vremenu, omogućujući mu da nauči pohranjivati ​​ili prizivati ​​sjećanja kada je to potrebno. 

Ova nova vrsta metode učenja umjetne inteligencije izravno implementira konfiguracije krugova neuralne koordinacije. 

Za učinkovitu implementaciju umjetne inteligencije u elektroničkim uređajima, važno je da se podržava prilagođeni razvoj hardvera. Uz navedeno, većina elektroničkih uređaja stvorenih za AI zahtijeva veliku potrošnju energije. Ako žele izvršavati zadatke velikih razmjera, trebaju im i visoko integrirani memorijski nizovi. Ova ograničenja u potrošnji i integraciji pokazala su se teškima za prevladavanje, pa su istraživači počeli dublje gledati u ljudski mozak kako bi saznali kako rješava probleme. 

Visoko učinkovita tehnologija

Tim je demonstrirao učinkovitost nove tehnologije stvaranjem hardvera umjetne neuronske mreže sa sinaptičkim nizom koji se sam ispravlja i algoritmom koji se naziva "sustav za skrivanje". Ovaj je hardver razvijen za provođenje AI učenja i uspio je smanjiti energiju za 37% unutar sustava za skladištenje bez smanjenja točnosti. 

"U ovoj smo studiji implementirali metodu učenja ljudskog mozga sa samo jednostavnim sastavom sklopa i kroz to smo uspjeli smanjiti potrebnu energiju za gotovo 40 posto", rekao je profesor Kim. 

Jedan od važnih aspekata ovog novog sustava za skrivanje koji oponaša aktivnost mozga jest to što je kompatibilan s postojećim elektroničkim uređajima i komercijaliziranim poluvodičkim hardverom. Sustav bi mogao igrati veliku ulogu u dizajnu poluvodičkih čipova sljedeće generacije za AI.