ヒューマン・ブレイン・プロジェクト、Intelが協力してニューロモルフィック・テクノロジーを進化させる

ヒューマン・ブレイン・プロジェクト（HBP）の研究者チームは、Intelと協力してニューロモルフィック・テクノロジーを進化させ、AIをヒューマン・ブレインのエネルギー効率に近づけようとしている。ニューロモルフィック・テクノロジーは、大規模なディープ・ラーニング・ネットワークに比べて、他のAIシステムよりもエネルギー効率が高い。

HBPとIntelの研究者は、この効率を実証する一連の実験を行った。実験では、ヒューマン・ブレインのニューロンに似た新しいIntelチップを使用した。これは、初めて such resultsが実証された。

この研究は、Nature Machine Intelligence.に掲載された。

IntelのLoihiチップ

グループは、時間的プロセスで動作するアルゴリズムに焦点を当て、システムは事前に聞かれた物語について質問に答え、コンテキストから物体や人の関係を理解する必要があった。ハードウェアは、32のLoihiチップで構成されていた。これは、Intelのニューロナル・リサーチ・チップである。

Phillip Plankは、TU Grazの理論計算機科学研究所の博士課程の学生であり、Intelの従業員である。

「私たちのシステムは、他のAIモデルと比べて2〜3倍の経済性を持っている」とPlankは言う。

Plankは、新しいLoihi世代が導入されると、より多くの効率性の向上とエネルギー集約的なチップ間の通信の改善が見込まれると考えている。測定結果によると、チップ間で送信する必要があるアクション・ポテンシャルがないため、消費量は1000倍の効率性が向上した。

グループは、ヒューマン・ブレインの推定方法を再現した。

Wolfgang Maassは、Philipp Plankの博士課程の指導教員であり、理論計算機科学研究所の名誉教授である。

「実験研究は、ヒューマン・ブレインがニューロンの『内部変数』の中で、ニューロナル・アクティビティなしに情報を短期間保存できることを示している」とMaassは言う。 「シミュレーションによると、ニューロンのサブセットの疲労メカニズムは、この短期記憶に不可欠である。」

ディープ・ラーニング・ネットワークの接続

これを実現するために、研究者は2種類のディープ・ラーニング・ネットワークを接続する。フィードバック・ニューロナル・ネットワークは「短期記憶」に責任があり、リカレント・モジュールは入力信号から可能な関連情報をフィルタリングして保存する。フィード・フォワード・ネットワークは、発見された関係のうち、現在のタスクを解決するのに重要なものを決定する。無意味な関係はフィルタリングされ、関連情報が見つかったモジュールのみでニューロンが発火する。これらのプロセスが、劇的なエネルギー節約につながる。

Steve Furberは、HBPのニューロモルフィック・コンピューティング部門のリーダーであり、マンチェスター大学のコンピューター・エンジニアリング教授である。

「この進歩は、ニューロモルフィック・プラットフォームでのエネルギー効率の高いイベントベースのAIの実現に重要な一歩を近づけている。新しいメカニズムは、Intel LoihiやSpiNNakerのような、マルチ・コンパートメント・ニューロン・モデルをサポートできるニューロモルフィック・コンピューティング・システムに適している」とFurberは言う。