လူ့ဦးနှောက်ပရောဂျက်၊ Intel သည် Neuromorphic နည်းပညာကို မြှင့်တင်ရန် အတူတကွလုပ်ဆောင်သည်။

မှာသုတေသီတစ် ဦး အဖွဲ့ လူ့ဦးနှောက်စီမံကိန်း (HBP) သည် အာရုံကြောဆိုင်ရာနည်းပညာကို မြှင့်တင်ရန်နှင့် AI သည် လူ့ဦးနှောက်၏ စွမ်းအင်ထိရောက်မှုနှင့် ပိုမိုနီးကပ်လာစေရန် Intel နှင့် ပူးပေါင်းဆောင်ရွက်လျက်ရှိသည်။ Neuromorphic နည်းပညာသည် အခြားသော AI စနစ်များနှင့် နှိုင်းယှဉ်ပါက ကြီးမားသော နက်နဲသော သင်ယူမှုကွန်ရက်များအတွက် စွမ်းအင်ပိုမိုထိရောက်သည်။ 

HBP နှင့် Intel မှ သုတေသီများသည် ဤထိရောက်မှုကို သရုပ်ပြသော စမ်းသပ်မှုအစုံကို ပြုလုပ်ခဲ့ကြသည်။ စမ်းသပ်မှုများတွင် လူ့ဦးနှောက်ရှိ နျူရွန်များပေါ်တွင် မှီခိုနေရသည့် Intel ချစ်ပ်အသစ်တစ်ခု ပါဝင်ခဲ့သည်။ ဤကဲ့သို့ ရလဒ်များကို ပထမဆုံးအကြိမ် ထုတ်ဖော်ပြသခဲ့ခြင်း ဖြစ်သည်။ 

အဆိုပါသုတေသနအတွက်ပုံနှိပ်ထုတ်ဝေခဲ့သည် Nature Machine Intelligence။ 

Intel ၏ Loihi ချစ်ပ်များ

အဖွဲ့သည် ယာယီလုပ်ငန်းစဉ်များနှင့်အလုပ်လုပ်သော algorithms များကိုအာရုံစိုက်ခဲ့ပြီး စနစ်သည် ယခင်ကပြောခဲ့သောဇာတ်လမ်းတစ်ပုဒ်နှင့်ပတ်သက်သည့်မေးခွန်းများကိုဖြေကြားပေးကာ အရာဝတ္ထုများ သို့မဟုတ် လူများကြားမှဆက်စပ်မှုကိုနားလည်သဘောပေါက်စေပါသည်။ ဟာ့ဒ်ဝဲတွင် Intel ၏ အာရုံကြောသုတေသန ချစ်ပ်များဖြစ်သည့် Loihi ချစ်ပ် 32 ခု ပါဝင်သည်။ 

Phillip Plank သည် TU Graz's Institute of Theoretical Computer Science တွင်ပါရဂူကျောင်းသားဖြစ်ပြီး Intel မှဝန်ထမ်းတစ်ဦးဖြစ်သည်။ 

"ကျွန်ုပ်တို့၏စနစ်သည် အခြား AI မော်ဒယ်များထက် ဤနေရာတွင် နှစ်ဆမှ သုံးဆပိုမိုသက်သာသည်" ဟု Plank က ပြောကြားခဲ့သည်။ 

Loihi မျိုးဆက်သစ်ကို မိတ်ဆက်လိုက်သည်နှင့်အမျှ ၎င်းသည် ပိုမိုထိရောက်မှုရရှိပြီး စွမ်းအင်သုံး ချစ်ပ်မှချစ်ပ်ဆက်သွယ်မှုကို တိုးတက်စေမည်ဟု Plank မှ ယုံကြည်သည်။ ချစ်ပ်များကြားတွင် အပြန်ပြန်အလှန်လှန် ပေးပို့ရမည့် လုပ်ဆောင်ချက်အလားအလာများ မရှိသောကြောင့် သုံးစွဲမှုသည် အဆ 1000 ပိုထိရောက်ကြောင်း တိုင်းတာချက်များက ပြသခဲ့သည်။ 

အဆိုပါအဖွဲ့သည် လူ့ဦးနှောက်၏ ယူဆချက်နည်းလမ်းကို ပြန်လည်ထုတ်လုပ်ခဲ့သည်။ 

Wolfgang Maass သည် Philipp Plank ၏ ပါရဂူကြီးကြပ်ရေးမှူးဖြစ်ပြီး သီအိုရီပိုင်းကွန်ပြူတာသိပ္ပံ အင်စတီကျုမှ ဂုဏ်ထူးဆောင်ပါမောက္ခဖြစ်သည်။ 

Maass က “စမ်းသပ်လေ့လာမှုတွေက လူ့ဦးနှောက်ဟာ အာရုံကြောဆိုင်ရာ လုပ်ဆောင်ချက်မပါဘဲ သတင်းအချက်အလက်တွေကို အချိန်တိုအတွင်း သိမ်းဆည်းနိုင်တယ်ဆိုတာကို ပြသခဲ့တယ်” ဟု Maass က ဆိုသည်။ "နယူရွန်အစုအဝေး၏ ပင်ပန်းနွမ်းနယ်မှုယန္တရားသည် ဤရေတိုမှတ်ဉာဏ်အတွက် မရှိမဖြစ်လိုအပ်ကြောင်း သရုပ်ဖော်ပုံများက ဖော်ပြသည်။"

Deep Learning Networks ချိတ်ဆက်ခြင်း။

ယင်းကိုအောင်မြင်ရန်၊ သုတေသီများသည် နက်နဲသောသင်ယူမှုကွန်ရက် အမျိုးအစားနှစ်မျိုးကို ချိတ်ဆက်ပေးသည်။ တုံ့ပြန်ချက် အာရုံကြောကွန်ရက်များသည် "ရေတိုမှတ်ဉာဏ်" အတွက် တာဝန်ရှိပြီး ထပ်တလဲလဲ မော်ဂျူးများသည် အဝင်အချက်ပြမှုမှ ဖြစ်နိုင်သော သက်ဆိုင်ရာ အချက်အလက်များကို စစ်ထုတ်ပြီး သိမ်းဆည်းထားသည်။ Feed-forward ကွန်ရက်တစ်ခုသည် လက်ရှိအလုပ်အား ဖြေရှင်းရန်အတွက် တွေ့ရှိရသည့် ဆက်ဆံရေးများထဲမှ အရေးကြီးကြောင်း ဆုံးဖြတ်သည်။ အဓိပ္ပါယ်မရှိသော ဆက်ဆံရေးများကို စစ်ထုတ်ပြီး သက်ဆိုင်ရာ အချက်အလက်များကို တွေ့ရှိသည့် ထို modules များတွင်သာ အာရုံကြောများ လောင်ကျွမ်းသွားပါသည်။ ဤလုပ်ငန်းစဉ်တစ်ခုလုံးသည် သိသိသာသာ စွမ်းအင်ချွေတာခြင်းကို ဖြစ်ပေါ်စေသည်။ 

Steve Furber သည် HBP neuromorphic computing ဌာနခွဲ၏ခေါင်းဆောင်ဖြစ်ပြီး Manchester တက္ကသိုလ်မှကွန်ပျူတာအင်ဂျင်နီယာပါမောက္ခဖြစ်သည်။ 

"ဤတိုးတက်မှုသည် neuromorphic platforms များပေါ်ရှိ စွမ်းအင်သုံး ဖြစ်ရပ်-အခြေခံ AI ၏ ကတိကဝတ်ကို အကောင်အထည်ဖော်ရန် အရေးကြီးသော ခြေလှမ်းတစ်ခုဖြစ်သည်။ ယန္တရားအသစ်သည် multi-compartment neuron မော်ဒယ်များကို ပံ့ပိုးပေးနိုင်သည့် Intel Loihi နှင့် SpiNNaker ကဲ့သို့သော neuromorphic computing စနစ်များအတွက် ကောင်းမွန်သင့်လျော်သည်" ဟု Furber မှ ပြောကြားခဲ့သည်။