Human Brain Project, Intel jobber sammen for å fremme nevromorf teknologi

Et team av forskere på Human Brain Project (HBP) samarbeider med Intel for å fremme nevromorf teknologi og bringe AI nærmere energieffektiviteten til den menneskelige hjernen. Nevromorf teknologi er mer energieffektiv for store dyplæringsnettverk sammenlignet med andre AI-systemer. 

Forskere i HBP og Intel utførte et sett med eksperimenter som demonstrerte denne effektiviteten. Eksperimentene involverte en ny Intel-brikke som er avhengig av nevroner som ligner de i den menneskelige hjernen. Dette var første gang slike resultater ble påvist. 

Forskningen ble publisert i Nature Machine Intelligence. 

Intels Loihi-brikker

Gruppen fokuserte på algoritmer som jobber med tidsmessige prosesser, og systemet måtte svare på spørsmål om en tidligere fortalt historie samtidig som man forstår relasjonene mellom objekter eller mennesker ut fra konteksten. Maskinvaren besto av 32 Loihi-brikker, som er Intels nevronale forskningsbrikker. 

Phillip Plank er doktorgradsstudent ved TU Graz's Institute of Theoretical Computer Science og ansatt ved Intel. 

"Vårt system er to til tre ganger mer økonomisk her enn andre AI-modeller," sier Plank. 

Plank mener at etter hvert som den nye Loihi-generasjonen introduseres, vil den ha flere effektivitetsgevinster og forbedre energikrevende brikke-til-brikke-kommunikasjon. Målinger viste at forbruket var 1000 ganger mer effektivt siden det ikke var nødvendige aksjonspotensialer som måtte sendes frem og tilbake mellom brikkene. 

Gruppen reproduserte en antatt metode for den menneskelige hjernen. 

Wolfgang Maass er Philipp Planks doktorgradsveileder og professor emeritus ved Institute of Theoretical Computer Science. 

"Eksperimentelle studier har vist at den menneskelige hjernen kan lagre informasjon i en kort periode selv uten nevronal aktivitet, nemlig i såkalte 'interne variabler' av nevroner," sier Maass. "Simuleringer tyder på at en utmattelsesmekanisme av en undergruppe av nevroner er avgjørende for dette korttidsminnet."

Koble sammen dyplæringsnettverk

For å oppnå dette kobler forskerne to typer dyplæringsnettverk. De tilbakemeldingsnevronale nettverkene er ansvarlige for "korttidsminne", og tilbakevendende moduler filtrerer ut mulig relevant informasjon fra inngangssignalet og lagrer det. Et feed-forward-nettverk avgjør hvilke av relasjonene som er funnet som er viktige for å løse den aktuelle oppgaven. Relasjoner som er meningsløse blir filtrert ut, og nevronene skyter kun i de modulene hvor relevant informasjon er funnet. Hele denne prosessen er det som fører til dramatiske energibesparelser. 

Steve Furber er leder for HBP neuromorphic computing divisjon og professor i datateknikk ved University of Manchester. 

"Dette fremskrittet bringer løftet om energieffektiv hendelsesbasert AI på nevromorfe plattformer et viktig skritt nærmere realisering. Den nye mekanismen er godt egnet for nevromorfe datasystemer som Intel Loihi og SpiNNaker som er i stand til å støtte multi-kompartment neuron-modeller, sa Furber.