Progetto Cervello Umano, Intel Lavorano Insieme per Avanzare la Tecnologia Neuromorfica

Un team di ricercatori del Progetto Cervello Umano (HBP) sta lavorando con Intel (INTC ) per avanzare la tecnologia neuromorfica e portare l’intelligenza artificiale più vicina all’efficienza energetica del cervello umano. La tecnologia neuromorfica è più efficiente dal punto di vista energetico per le grandi reti di apprendimento profondo rispetto ad altri sistemi di intelligenza artificiale.

I ricercatori dell’HBP e di Intel hanno condotto un set di esperimenti che dimostrano questa efficienza. Gli esperimenti hanno coinvolto un nuovo chip Intel che si basa su neuroni simili a quelli del cervello umano. Questo è stato il primo caso in cui tali risultati sono stati dimostrati.

La ricerca è stata pubblicata su Nature Machine Intelligence.

I Chip Loihi di Intel

Il gruppo si è concentrato su algoritmi che lavorano con processi temporali, e il sistema doveva rispondere a domande su una storia precedentemente raccontata mentre comprendeva le relazioni tra oggetti o persone dal contesto. L’hardware consisteva in 32 chip Loihi, che sono i chip di ricerca neuronale di Intel.

Phillip Plank è uno studente di dottorato all’Istituto di Informatica Teorica della TU Graz e un dipendente di Intel.

“Il nostro sistema è due o tre volte più economico qui rispetto ad altri modelli di intelligenza artificiale”, dice Plank.

Plank ritiene che con l’introduzione della nuova generazione di Loihi, ci saranno ulteriori guadagni di efficienza e miglioramenti nella comunicazione tra chip ad alta intensità energetica. Le misurazioni hanno mostrato che il consumo era 1000 volte più efficiente poiché non c’erano potenziali di azione richiesti che dovevano essere inviati avanti e indietro tra i chip.

Il gruppo ha riprodotto un presunto metodo del cervello umano.

Wolfgang Maass è il supervisore di dottorato di Philipp Plank e professore emerito all’Istituto di Informatica Teorica.

“Gli studi sperimentali hanno mostrato che il cervello umano può memorizzare informazioni per un breve periodo di tempo anche senza attività neuronale, vale a dire nelle cosiddette ‘variabili interne’ dei neuroni”, dice Maass. “Le simulazioni suggeriscono che un meccanismo di fatica di un subset di neuroni è essenziale per questa memoria a breve termine.”

Collegamento di Reti di Apprendimento Profondo

Per raggiungere questo obiettivo, i ricercatori collegano due tipi di reti di apprendimento profondo. Le reti neurali a feedback sono responsabili della “memoria a breve termine”, e i moduli ricorrenti filtrano fuori le informazioni possibili rilevanti dal segnale di input e le memorizzano. Una rete feed-forward determina quali delle relazioni trovate sono importanti per risolvere l’attuale compito. Le relazioni che non sono significative vengono filtrate fuori, e i neuroni si attivano solo nei moduli in cui sono state trovate informazioni rilevanti. Questo intero processo porta a risparmi energetici drammatici.

Steve Furber è il leader della divisione di calcolo neuromorfico dell’HBP e professore di Ingegneria Informatica all’Università di Manchester.

“Questo avanzamento porta la promessa di intelligenza artificiale basata su eventi efficiente dal punto di vista energetico su piattaforme neuromorfiche un importante passo più vicino alla realizzazione. Il nuovo meccanismo è ben adatto ai sistemi di calcolo neuromorfico come Intel Loihi e SpiNNaker che sono in grado di supportare modelli di neuroni a multi-compartimenti”, ha detto Furber.