AI-hardwareteknologi imiterer endringer i neural nettverkstopologi

En gruppe forskere ved Korea Advanced Institute of Science and Technology (KAIST) har foreslått et nytt system inspirert av hjernens neuromodulering, som kalles et “stashing system”. Dette nye foreslåtte systemet krever mindre energiforbruk.

Teamet ble ledet av professor Kyung Min Kim fra avdelingen for materialvitenskap og ingeniørkunst. Forskningen ble publisert i Advanced Functional Materials og støttet av KAIST, National Research (NRC ) Foundation of Korea, National NanoFab Center og SK Hynix.

Imiterer Neural Nettverkstopologi

Forskerne utviklet en teknologi som kan håndtere matematiske operasjoner for kunstig intelligens effektivt ved å imitere endringene i neural nettverkstopologien avhengig av situasjonen. Dette ble inspirert av det menneskelige hjernen, som kan endre sin neurale topologi i sanntid, noe som gjør det mulig for den å lære å lagre eller gjenkalle minner når det er nødvendig.

Denne nye type AI-læringsmetode implementerer direkte neurale koordineringskrets-konfigurasjoner.

For å implementere AI effektivt i elektroniske enheter, er det viktig at tilpasset hardware-utvikling støttes. Det sies at de fleste elektroniske enhetene som er laget for AI, krever høy energiforbruk. Hvis de skal utføre store oppgaver, trenger de også høyt integrerte minne-arrays. Disse begrensningene i forbruk og integrasjon har vist seg å være vanskelige å overvinne, så forskerne har begynt å se dypt inn i det menneskelige hjernen for å vite hvordan den løser problemer.

Svært Effektiv Teknologi

Teamet demonstrerte effektiviteten av den nye teknologien ved å lage kunstig neural nettverk-hardware med en selv-rettende synaptisk array og algoritme som kalles et “stashing system”. Denne hardwaren ble utviklet for å utføre AI-læring, og den kunne redusere energiforbruket med 37% innenfor stashing-systemet uten å lide av nøyaktighetsnedgang.

“I denne studien, implementerte vi læringsmetoden til det menneskelige hjernen med bare en enkel krets-sammensetning og gjennom dette var vi i stand til å redusere energibehovet med nesten 40 prosent,” sa professor Kim.

En av de viktigste aspektene ved dette nye stashing-systemet som imiterer hjernens aktivitet, er at det er kompatibelt med eksisterende elektroniske enheter og kommersiell halvleder-hardware. Systemet kan spille en stor rolle i designet av neste generasjons halvleder-chip for AI.