Cilvēka smadzeņu projekts, Intel strādā kopā, lai attīstītu neiromorfo tehnoloģiju

Pētnieku komanda Cilvēka smadzenes Projekta (HBP) sadarbojas ar Intel, lai attīstītu neiromorfās tehnoloģijas un tuvinātu AI cilvēka smadzeņu energoefektivitātei. Neiromorfā tehnoloģija ir energoefektīvāka lieliem dziļās mācīšanās tīkliem, salīdzinot ar citām AI sistēmām. 

HBP un ​​Intel pētnieki veica eksperimentu kopumu, kas demonstrēja šo efektivitāti. Eksperimentos tika izmantota jauna Intel mikroshēma, kas balstās uz neironiem, kas ir līdzīgi cilvēka smadzenēs esošajiem neironiem. Tā bija pirmā reize, kad tika demonstrēti šādi rezultāti. 

Pētījums tika publicēts Dabas mašīnas intelekts. 

Intel Loihi mikroshēmas

Grupa koncentrējās uz algoritmiem, kas darbojas ar laika procesiem, un sistēmai bija jāatbild uz jautājumiem par iepriekš izstāstītu stāstu, vienlaikus izprotot attiecības starp objektiem vai cilvēkiem no konteksta. Aparatūra sastāvēja no 32 Loihi mikroshēmām, kas ir Intel neironu izpētes mikroshēmas. 

Filips Planks ir doktorants TU Grācas Teorētiskās datorzinātnes institūtā un Intel darbinieks. 

"Mūsu sistēma šeit ir divas līdz trīs reizes ekonomiskāka nekā citi AI modeļi," saka Planks. 

Planks uzskata, ka, ieviešot jauno Loihi paaudzi, tā uzlabos efektivitāti un uzlabos energoietilpīgo mikroshēmu saziņu. Mērījumi parādīja, ka patēriņš bija 1000 reižu efektīvāks, jo nebija vajadzīgā darbības potenciāla, kas bija jāsūta uz priekšu un atpakaļ starp mikroshēmām. 

Grupa atveidoja domājamo cilvēka smadzeņu metodi. 

Volfgangs Māss ir Filipa Planka doktora vadītājs un Teorētiskās datorzinātnes institūta emeritētais profesors. 

"Eksperimentālie pētījumi ir parādījuši, ka cilvēka smadzenes var uzglabāt informāciju īsu laiku pat bez neironu aktivitātes, proti, tā sauktajos neironu" iekšējos mainīgajos", saka Māss. "Simulācijas liecina, ka neironu apakškopas noguruma mehānisms ir būtisks šai īstermiņa atmiņai."

Padziļināto mācību tīklu savienošana

Lai to panāktu, pētnieki saista divu veidu dziļās mācīšanās tīklus. Atgriezeniskās saites neironu tīkli ir atbildīgi par "īstermiņa atmiņu", un atkārtotie moduļi filtrē iespējamo būtisko informāciju no ievades signāla un saglabā to. Uz priekšu vērstais tīkls nosaka, kuras no atrastajām attiecībām ir svarīgas pašreizējā uzdevuma risināšanai. Attiecības, kas ir bezjēdzīgas, tiek filtrētas, un neironi darbojas tikai tajos moduļos, kuros ir atrasta atbilstoša informācija. Viss šis process rada ievērojamus enerģijas ietaupījumus. 

Stīvs Furbers ir HBP neiromorfo skaitļošanas nodaļas vadītājs un Mančestras universitātes datortehnikas profesors. 

"Šis sasniegums sola energoefektīvu uz notikumiem balstītu mākslīgo intelektu uz neiromorfām platformām, kas ir svarīgs solis tuvāk īstenošanai. Jaunais mehānisms ir labi piemērots neiromorfiskām skaitļošanas sistēmām, piemēram, Intel Loihi un SpiNNaker, kas spēj atbalstīt vairāku nodalījumu neironu modeļus," sacīja Furbers.