AI-hardwaretechnologie imiteert veranderingen in neurale netwerktopologie

Een groep onderzoekers aan het Korea Advanced Institute of Science and Technology (KAIST) heeft een nieuw systeem voorgesteld dat geïnspireerd is op de neuromodulatie van de hersenen, genaamd een “stashing-systeem”. Dit nieuw voorgestelde systeem heeft minder energieverbruik nodig.

Het team werd geleid door professor Kyung Min Kim van de afdeling Materials Science and Engineering. Het onderzoek werd gepubliceerd in Advanced Functional Materials en werd ondersteund door KAIST, de National Research Foundation of Korea, de National NanoFab Center en SK Hynix.

Imiteren van neurale netwerktopologie

De onderzoekers ontwikkelden een technologie die efficiënt wiskundige operaties voor kunstmatige intelligentie kan verwerken door de veranderingen in de topologie van het neurale netwerk te imiteren, afhankelijk van de situatie. Dit is geïnspireerd op de menselijke hersenen, die hun neurale topologie in real-time kunnen veranderen, waardoor ze kunnen leren, opslaan of herinneringen ophalen wanneer nodig.

Deze nieuwe soort AI-leermethode implementeert rechtstreeks neurale coördinatiecircuitconfiguraties.

Om een effectieve implementatie van AI in elektronische apparaten te waarborgen, is het belangrijk dat aangepaste hardware-ontwikkeling wordt ondersteund. Met dat gezegd, vereisen de meeste elektronische apparaten die voor AI zijn gemaakt, een hoog energieverbruik. Als ze grote taken moeten uitvoeren, hebben ze ook hoog geïntegreerde geheugenchips nodig. Deze beperkingen in verbruik en integratie zijn moeilijk te overwinnen, dus onderzoekers zijn dieper in de menselijke hersenen gaan kijken om te zien hoe deze problemen oplost.

Hoog efficiënte technologie

Het team demonstreerde de efficiëntie van de nieuwe technologie door kunstmatige neurale netwerkhardware te creëren met een zelf-rectificerende synaptische array en algoritme, genaamd een “stashing-systeem”. Deze hardware werd ontwikkeld om AI-leerprocessen uit te voeren en kon het energieverbruik met 37% verlagen binnen het stashing-systeem zonder afbreuk te doen aan de nauwkeurigheid.

“In deze studie hebben we de leermethode van de menselijke hersenen geïmplementeerd met alleen een eenvoudige circuitcompositie en hierdoor konden we het energieverbruik met bijna 40 procent verlagen”, zei professor Kim.

Een van de belangrijke aspecten van dit nieuwe stashing-systeem dat de activiteit van de hersenen imiteert, is dat het compatibel is met bestaande elektronische apparaten en gecommercialiseerde halfgeleiderhardware. Het systeem kan een belangrijke rol spelen bij het ontwerp van volgende generatie halfgeleiderchips voor AI.