AI-hardwareteknologi imiterer endringer i neural nettverkstopologi

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

Teamet ble ledet av professor Kyung Min Kim fra avdelingen for materialvitenskap og ingeniørvidenskap. Forskningen ble publisert i Advanced Functional Materials og støttet av KAIST, National Research 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 nettverkets topologi avhengig av situasjonen. Dette ble inspirert av menneskehjernen, som kan endre sin neurale topologi i sanntid, og dermed kunne lære å lagre eller hente minner når det trengs. 

Denne nye type kunstig intelligens-læremetode implementerer direkte neurale koordineringskrets-konfigurasjoner. 

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

Svært effektiv teknologi

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

“I denne studien, implementerte vi læremetoden til menneskehjernen med bare en enkel kretskomposisjon og gjennom dette kunne vi 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 kunne spille en stor rolle i designet av neste generasjons halvleder-chip for kunstig intelligens.