Projekt ljudskog mozga, Intel radi zajedno na unapređenju neuromorfne tehnologije

Tim istraživača u Ljudski mozak Projekt (HBP) surađuju s Intelom na unapređenju neuromorfne tehnologije i približavanju AI energetskoj učinkovitosti ljudskog mozga. Neuromorfna tehnologija je energetski učinkovitija za velike mreže dubokog učenja u usporedbi s drugim AI sustavima. 

Istraživači u HBP-u i Intelu izveli su niz eksperimenata koji pokazuju ovu učinkovitost. Eksperimenti su uključivali novi Intelov čip koji se oslanja na neurone slične onima u ljudskom mozgu. Ovo je bilo prvi put da su prikazani takvi rezultati. 

Istraživanje je objavljeno u Strojna inteligencija prirode. 

Intelovi Loihi čipovi

Grupa se usredotočila na algoritme koji rade s vremenskim procesima, a sustav je morao odgovoriti na pitanja o prethodno ispričanoj priči dok je razumio odnose između objekata ili ljudi iz konteksta. Hardver se sastojao od 32 Loihi čipa, koji su Intelovi neuronski istraživački čipovi. 

Phillip Plank je doktorand na Institutu za teorijske računalne znanosti TU Graz i zaposlenik u Intelu. 

"Naš je sustav ovdje dva do tri puta ekonomičniji od ostalih modela umjetne inteligencije", kaže Plank. 

Plank vjeruje da će s uvođenjem nove Loihi generacije imati više povećanja učinkovitosti i poboljšati energetski intenzivnu komunikaciju između čipova. Mjerenja su pokazala da je potrošnja bila 1000 puta učinkovitija budući da nije bilo potrebnih akcijskih potencijala koji su se morali slati naprijed-natrag između čipova. 

Grupa je reproducirala pretpostavljenu metodu ljudskog mozga. 

Wolfgang Maass je mentor doktorskog studija Philippa Planka i profesor emeritus na Institutu za teorijsku informatiku. 

“Eksperimentalne studije su pokazale da ljudski mozak može pohraniti informacije na kratko vrijeme čak i bez neuronske aktivnosti, naime u takozvanim 'unutarnjim varijablama' neurona,” kaže Maass. "Simulacije sugeriraju da je mehanizam zamora podskupa neurona bitan za ovo kratkoročno pamćenje."

Povezivanje mreža dubokog učenja

Kako bi to postigli, istraživači povezuju dvije vrste mreža dubokog učenja. Neuronske mreže povratne sprege odgovorne su za "kratkoročno pamćenje", a rekurentni moduli filtriraju moguće relevantne informacije iz ulaznog signala i pohranjuju ih. Feed-forward mreža određuje koji su od pronađenih odnosa važni za rješavanje trenutnog zadatka. Besmisleni odnosi se filtriraju, a neuroni se aktiviraju samo u onim modulima u kojima su pronađene relevantne informacije. Cijeli ovaj proces je ono što dovodi do dramatične uštede energije. 

Steve Furber je voditelj HBP odjela za neuromorfno računalstvo i profesor računalnog inženjerstva na Sveučilištu u Manchesteru. 

“Ovaj napredak donosi obećanje energetski učinkovite umjetne inteligencije temeljene na događajima na neuromorfnim platformama važan korak bliže ostvarenju. Novi mehanizam dobro je prilagođen neuromorfnim računalnim sustavima kao što su Intel Loihi i SpiNNaker koji mogu podržati modele neurona s više odjeljaka,” rekao je Furber.