Proyek Otak Manusia, Intel Bekerja Sama untuk Meningkatkan Teknologi Neuromorfik

Tim peneliti di Proyek Otak Manusia (HBP) bekerja sama dengan Intel (INTC ) untuk meningkatkan teknologi neuromorfik dan membawa AI lebih dekat ke efisiensi energi otak manusia. Teknologi neuromorfik lebih efisien energi untuk jaringan pembelajaran dalam yang besar dibandingkan dengan sistem AI lainnya.

Peneliti di HBP dan Intel melakukan serangkaian eksperimen yang menunjukkan efisiensi ini. Eksperimen tersebut melibatkan chip Intel baru yang bergantung pada neuron yang mirip dengan yang ada di otak manusia. Ini adalah pertama kalinya hasil seperti itu ditunjukkan.

Penelitian ini diterbitkan di Nature Machine Intelligence.

Chip Loihi Intel

Kelompok ini fokus pada algoritma yang bekerja dengan proses temporal, dan sistem harus menjawab pertanyaan tentang cerita yang diberitahu sebelumnya sambil memahami hubungan antara objek atau orang dari konteks. Perangkat keras terdiri dari 32 chip Loihi, yang merupakan chip penelitian neuron Intel.

Phillip Plank adalah mahasiswa doktoral di Institut Ilmu Komputer Teoritis TU Graz dan karyawan di Intel.

“Sistem kami dua hingga tiga kali lebih ekonomis di sini daripada model AI lain,” kata Plank.

Plank percaya bahwa ketika generasi Loihi baru diperkenalkan, itu akan memiliki peningkatan efisiensi lebih lanjut dan memperbaiki komunikasi chip-ke-chip yang intensif energi. Pengukuran menunjukkan bahwa konsumsi 1000 kali lebih efisien karena tidak ada potensial aksi yang diperlukan untuk dikirim kembali dan forth antara chip.

Kelompok ini mereproduksi metode yang diasumsikan dari otak manusia.

Wolfgang Maass adalah supervisor doktoral Philipp Plank dan profesor emeritus di Institut Ilmu Komputer Teoritis.

“Studi eksperimental telah menunjukkan bahwa otak manusia dapat menyimpan informasi untuk jangka waktu singkat bahkan tanpa aktivitas neuron, yaitu dalam variabel ‘internal’ dari neuron,” kata Maass. “Simulasi menunjukkan bahwa mekanisme kelelahan subset neuron sangat penting untuk memori jangka pendek ini.”

Menghubungkan Jaringan Pembelajaran Dalam

Untuk mencapai ini, peneliti menghubungkan dua jenis jaringan pembelajaran dalam. Jaringan neuronal umpan balik bertanggung jawab untuk “memori jangka pendek,” dan modul berulang menyaring informasi yang mungkin relevan dari sinyal input dan menyimpannya. Jaringan feed-forward menentukan hubungan mana yang penting untuk menyelesaikan tugas saat ini. Hubungan yang tidak berguna disaring, dan neuron hanya memancar di modul di mana informasi relevan telah ditemukan. Proses ini menyebabkan penghematan energi yang dramatis.

Steve Furber adalah pemimpin divisi komputasi neuromorfik HBP dan profesor Teknik Komputer di Universitas Manchester.

“Kemajuan ini membawa janji AI berbasis peristiwa yang efisien energi pada platform neuromorfik menjadi lebih dekat dengan kesempurnaan. Mekanisme baru ini sangat sesuai untuk sistem komputasi neuromorfik seperti Intel Loihi dan SpiNNaker yang dapat mendukung model neuron multi-kompartemen,” kata Furber.