AI-modellen en platforms
AI-hardwaretechnologie imiteert veranderingen in neurale netwerktopologie
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Een groep onderzoekers aan het Korea Advanced Institute of Science and Technology (KAIST) heeft een nieuw systeem voorgesteld dat geïnspireerd is door 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 gesteund door KAIST, de National Research (NRC ) Foundation of Korea, de National NanoFab Center en SK Hynix.
Imiteren van neurale netwerktopologie
De onderzoekers hebben een technologie ontwikkeld die wiskundige operaties voor kunstmatige intelligentie efficiënt kan verwerken door de veranderingen in de topologie van het neurale netwerk te imiteren, afhankelijk van de situatie. Dit is geïnspireerd door de menselijke hersenen, die hun neurale topologie in real-time kunnen veranderen, waardoor ze kunnen leren om herinneringen op te slaan of op te roepen wanneer dat nodig is.
Deze nieuwe soort AI-leermethode implementeert rechtstreeks neurale coördinatiecircuitconfiguraties.
Om AI effectief in elektronische apparaten te implementeren, is het belangrijk dat aangepaste hardwareontwikkeling wordt ondersteund. Met dat gezegd, hebben de meeste elektronische apparaten die voor AI zijn gemaakt, een hoog energieverbruik nodig. 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 heeft de efficiëntie van de nieuwe technologie aangetoond door kunstmatige neurale netwerkhardware te creëren met een zelf-rectificerende synaptische array en algoritme, genaamd een “stashing-systeem”. Deze hardware is ontwikkeld om AI-leerprocessen uit te voeren en kon de energieverbruik met 37% verminderen binnen het stashing-systeem zonder enige afname in nauwkeurigheid.
“In deze studie hebben we de leermethode van de menselijke hersenen geïmplementeerd met alleen een eenvoudige circuitcompositie en hierdoor konden we de benodigde energie met bijna 40 procent verminderen,” zei Professor Kim.
Een van de belangrijkste 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 in het ontwerp van de volgende generatie halfgeleiderchips voor AI.
