Intel Labs Introduceert Nieuwe Benadering voor Neuronale Netwerk-Gebaseerde Objectleren

Onderzoekers bij Intel (INTC ) Labs, in samenwerking met het Italiaanse Instituut voor Technologie en de Technische Universiteit van München, hebben een nieuwe benadering voor neuronale netwerk-gebaseerde objectleren geïntroduceerd. Deze nieuwe benadering richt zich specifiek op toekomstige robottoepassingen zoals robotassistenten die interactie hebben met onbeperkte omgevingen, die aanwezig zijn in situaties zoals logistiek en gezondheidszorg.

Het nieuwe onderzoek kan cruciaal zijn voor het verbeteren van de service- of productiecapaciteiten van onze toekomstige robots.

Het onderzoeksrapport met de titel “Interactief continue leren voor robots: een neuromorfische benadering” werd bekroond met de “Beste Paper”-prijs op de 2022 International Conference on Neuromorphic Systems (ICONS) gehost door Oak Ridge National Laboratory.

Objectleren en Neuromorfische Berekening

Nieuwe en interactieve objectlerenmethoden maken gebruik van neuromorfische berekening om robots in staat te stellen nieuwe objecten te ontdekken.

De groep onderzoekers gebruikte de nieuwe modellen om interactief leren te demonstreren op de Loihi-neuromorfische chip en bereikten tot 175 keer lagere energieverbruik bij het leren van nieuwe objectinstanties. Ze bereikten ook vergelijkbare of betere snelheid en nauwkeurigheid in vergelijking met conventionele methoden die op een CPU worden uitgevoerd.

Afbeelding: Intel Labs

De onderzoekers konden dit bereiken door een spiking-neuronale netwerkarchitectuur op Loihi te implementeren, waardoor het mogelijk werd om het leren van het object te lokaliseren in één laag van plastic synapsen. Het hield ook rekening met verschillende objectweergaven door nieuwe neuronen aan te werven op aanvraag. Het leerproces kon vervolgens plaatsvinden zonder tussenkomst van de gebruiker.

Yulia Sandamirskaya is senior auteur van het rapport en leidt het onderzoek naar robotica in Intel’s neuromorfische computingslab.

“Wanneer een mens een nieuw object leert, kijkt hij ernaar, draait het om, vraagt wat het is en kan het vervolgens herkennen in alle soorten instellingen en omstandigheden onmiddellijk,” zei Sandamirskaya. “Ons doel is om soortgelijke capaciteiten toe te passen op toekomstige robots die werken in interactieve omgevingen, waardoor ze kunnen aanpassen aan het onvoorspelbare en meer natuurlijk samenwerken met mensen. Onze resultaten met Loihi onderstrepen de waarde van neuromorfische berekening voor de toekomst van robotica.”

Afbeelding: Intel Labs

Intel Labs Neuromorfische Computingsonderzoek

Intel Labs is een leider op het gebied van neuromorfische computingsonderzoek, met als doel “om neuromorfische berekening te helpen realiseren en de volgende generatie intelligente apparaten en autonome systemen mogelijk te maken.”

Neuromorfische berekening wordt geleid door de principes van biologische neurale berekening en maakt gebruik van nieuwe algoritmische benaderingen om de menselijke hersenen en hun interactie met de wereld na te bootsen.

De innovatieve architectonische benadering van neuromorfische berekening zal verantwoordelijk zijn voor het aandrijven van toekomstige autonome AI-oplossingen die zowel energoefficiëntie als continue leren vereisen. Het wordt al toegepast in verschillende gebieden zoals robotica, sensoren, gezondheidszorg en grote-schaal AI-toepassingen.