복잡한 학습 작업을 극도로 에너지 효율적으로 해결하는 알고리즘

인터디스플리너리 연구 팀은 인공 지능 분야에서 오랫동안 추구해 온 인간의 뇌와 같은 효율로 정보를 처리할 수 있는 기계를 개발하는 데重大한 진전을 이루었습니다. 독일 하이델베르크 대학교와 스위스 베른 대학교의 연구 팀은 Dr. Mihai Petrovici의 지도하에 진행되었습니다.

연구 결과는 Nature Machine Intelligence 저널에 발표되었습니다.

생물학적으로启発された 인공 신경 네트워크

연구 팀은 이挑戰을 해결하기 위해 생물학적으로启発された 인공 신경 네트워크를 연구했습니다. 스파이킹 신경 네트워크는 자연적인 신경 시스템의 구조와 기능을 모방하며, 빠르고 에너지 효율적인 특징으로 인해 유망한 후보로 간주됩니다. 이러한 복잡한 시스템을 훈련시키는 것이 주요한 도전이었으며, 연구 팀은 새로 구현된 알고리즘으로 이를 달성하기 위해 노력하고 있습니다.

뇌의 신경 세포는 짧은 전기 펄스를 사용하여 정보를 전달하며, 이러한 펄스를 스파이크라고 합니다. 이러한 스파이크는 특정 자극 임계값을 초과할 때 발생합니다. 정보 교환은 단일 신경 세포가 스파이크를 생성하는 빈도와 개별 스파이크의 시간 순서에 의해 크게 영향을 받습니다.

Julian Göltz는 연구 그룹의 박사 과정 학생입니다.

“생물학적 스파이킹 네트워크와 인공 신경 네트워크의 주요 차이점은 스파이크 기반 정보 처리를 사용하여 이미지 인식 및 분류와 같은 복잡한 작업을 극도로 에너지 효율적으로 해결할 수 있다는 것입니다.”라고 Göltz는 말합니다.

전체 잠재력에 도달하기

인간의 뇌와 인공 스파이킹 신경 네트워크는 모두 개별 신경 세포가 서로 제대로 연결되어야 전체 잠재력을 발휘할 수 있습니다. 따라서 연구자들은 뇌启発 시스템을 스파이킹 입력을 올바르게 처리하도록 조정하는 방법을 발견해야 했습니다.

Laura Kriener는 연구 팀의 또 다른 멤버입니다.

“이 질문은 생물학적 모델 기반의 강력한 인공 네트워크 개발을 위한 기본적인 질문입니다.”라고 Kriener는 말합니다.

스파이킹 신경 네트워크에서 신경 세포가 올바른 시간에 발화하도록 보장하기 위해 특별한 알고리즘이 필요하며, 이러한 알고리즘은 네트워크가 필요한 작업을 수행할 수 있도록 신경 세포 간의 연결을 조정합니다. 이러한 작업은 이미지 분류와 같은 것입니다.

이것이 연구 팀이 개발한 알고리즘입니다.

“이 접근 방식을 사용하면 스파이킹 신경 네트워크를 단일 스파이크만으로 정보를 код화하고 전달하도록 훈련할 수 있습니다. 따라서 원하는 결과를 특히 빠르고 효율적으로 생성합니다.”라고 Göltz는 설명합니다.

연구자들은 또한 이 알고리즘으로 훈련된 신경 네트워크를 물리적 플랫폼에 구현하는 데 성공했습니다. 플랫폼은 하이델베르크 대학교에서 개발된 BrainScaleS-2 신경 형태 컴퓨팅 하드웨어 플랫폼이었습니다.

연구자들은 BrainScaleS 시스템이 인간의 뇌보다 최대 1,000배 빠르게 정보를 처리하며, 전통적인 컴퓨터 시스템보다 훨씬 적은 에너지를 소비한다고 말합니다.

시스템은 유럽 인간 뇌 프로젝트의 일부입니다. 프로젝트는 신경 형태 컴퓨팅과 같은 기술을 EBRAINS라는 오픈 플랫폼에 통합합니다.

“그러나 우리의 연구는 신경 형태 컴퓨팅과 생물학적으로启発された 하드웨어에만 интерес가 있는 것이 아닙니다. 또한 과학 커뮤니티가 딥 러닝 접근 방식을 신경 과학으로 전환하여 인간 뇌의 비밀을进一步 밝히는 요구를 인정합니다.”라고 Dr. Petrovici는 말합니다.