Human Brain Project en Intel werken samen om neuromorfe technologie te verbeteren

Een team van onderzoekers bij het Human Brain Project (HBP) werkt samen met Intel (INTC ) om neuromorfe technologie te verbeteren en kunstmatige intelligentie (AI) dichter bij de energie-efficiëntie van de menselijke hersenen te brengen. Neuromorfe technologie is energie-efficiënter voor grote diepe leer-netwerken in vergelijking met andere AI-systemen.

Onderzoekers bij HBP en Intel voerden een reeks experimenten uit om deze efficiëntie te demonstreren. De experimenten betroffen een nieuwe Intel-chip die gebruik maakt van neuronen die vergelijkbaar zijn met die in de menselijke hersenen. Dit was de eerste keer dat dergelijke resultaten werden gedemonstreerd.

Het onderzoek werd gepubliceerd in Nature Machine Intelligence.

Intel’s Loihi Chips

De groep richtte zich op algoritmes die werken met temporale processen, en het systeem moest vragen beantwoorden over een eerder verteld verhaal terwijl het de relaties tussen objecten of personen uit de context begreep. De hardware bestond uit 32 Loihi-chips, die Intel’s neuronale onderzoekschips zijn.

Phillip Plank is een doctoraalstudent aan het Instituut voor Theoretische Informatica van de TU Graz en een medewerker bij Intel.

“Ons systeem is hier twee tot drie keer economischer dan andere AI-modellen”, zegt Plank.

Plank gelooft dat als de nieuwe Loihi-generatie wordt geïntroduceerd, deze nog meer efficiëntie zal opleveren en de energievretende communicatie tussen chips zal verbeteren. Metingen toonden aan dat het verbruik 1000 keer efficiënter was, aangezien er geen actiepotentialen nodig waren die heen en weer tussen de chips gestuurd moesten worden.

De groep reproduceerde een vermoedelijke methode van de menselijke hersenen.

Wolfgang Maass is de promotor van Philipp Plank en emeritus hoogleraar aan het Instituut voor Theoretische Informatica.

“Experimentele studies hebben aangetoond dat de menselijke hersenen informatie voor een korte periode kunnen opslaan zonder neuronale activiteit, namelijk in zogenaamde ‘interne variabelen’ van neuronen”, zegt Maass. “Simulaties suggereren dat een vermoeidheidsmechanisme van een subset van neuronen essentieel is voor dit korte-termijngeheugen.”

Diepe leer-netwerken koppelen

Om dit te bereiken, koppelen de onderzoekers twee soorten diepe leer-netwerken. De feedbackneuronale netwerken zijn verantwoordelijk voor “korte-termijngeheugen”, en recurrente modules filteren mogelijke relevante informatie uit het invoersignaal en slaan deze op. Een feed-forwardnetwerk bepaalt welke van de gevonden relaties belangrijk zijn voor het oplossen van de huidige taak. Relaties die niet relevant zijn, worden gefilterd, en de neuronen geven alleen een signaal in de modules waarin relevante informatie is gevonden. Dit hele proces leidt tot dramatische energiewinst.

Steve Furber is de leider van de HBP-neuromorfe computing-afdeling en een hoogleraar Computer Engineering aan de Universiteit van Manchester.

“Deze vooruitgang brengt de belofte van energie-efficiënte, op gebeurtenissen gebaseerde AI op neuromorfe platforms een belangrijke stap dichter bij verwezenlijking. Het nieuwe mechanisme is goed geschikt voor neuromorfe computersystemen zoals de Intel Loihi en SpiNNaker die multi-compartmentneuronmodellen kunnen ondersteunen”, zei Furber.