AI-modeller og plattformer
Menneskehjerneprosjektet og Intel samarbeider for å fremme neuromorfe teknologier
Viktige punkterIntel og Human Brain Project demonstrerte hjernelignende energieffektivitet ved hjelp…
Vis mer
- Intel og Human Brain Project demonstrerte hjernelignende energieffektivitet ved hjelp av 32 Loihi-brikker.
- Systemet viste seg å være to til tre ganger mer økonomisk enn andre AI-modeller for tidsmessige oppgaver.
- Etterligning av nevronal utmattelse og selektiv fyring muliggjør dramatiske energibesparelser i nevromorf maskinvare.
Et team av forskere ved Menneskehjerneprosjektet (HBP) samarbeider med Intel (INTC ) for å fremme neuromorfe teknologier og bringe kunstig intelligens nærmere energieffektiviteten til menneskehjernen. Nevromorf teknologi er mer energieffektiv for store dyptlæringsnettverk sammenlignet med andre kunstig intelligens-systemer.
Forskere ved HBP og Intel har utført en rekke eksperimenter som demonstrerer denne effektiviteten. Eksperimentene involverte en ny Intel-prosessor som baserer seg på nerveceller lignende de i menneskehjernen. Dette var første gang slike resultater ble demonstrert.
Forskningen ble publisert i Nature Machine Intelligence.
Intels Loihi-prosessorer
Gruppen fokuserte på algoritmer som arbeider med tidsprosesser, og systemet måtte svare på spørsmål om en tidligere fortalt historie samtidig som det forsto relasjonene mellom objekter eller personer fra konteksten. Maskinvaren bestod av 32 Loihi-prosessorer, som er Intels neurale forskningsprosessorer.
Phillip Plank er en doktorgradsstudent ved TU Graz’ institutt for teoretisk datavitenskap og en ansatt i Intel.
“Vårt system er to til tre ganger mer økonomisk her enn andre kunstig intelligens-modeller,” sier Plank.
Plank tror at når den nye Loihi-generasjonen blir introdusert, vil den ha mer effektivitet og forbedre energikrevende kommunikasjon mellom prosessorer. Målinger viste at forbruket var 1000 ganger mer effektivt siden det ikke var aksjonspotensialer som måtte sendes tilbake og frem mellom prosessorene.
Gruppen reproduserte en antatt metode for menneskehjernen.
Wolfgang Maass er Philipp Planks doktorgradsveileder og professor emeritus ved instituttet for teoretisk datavitenskap.
“Eksperimentelle studier har vist at menneskehjernen kan lagre informasjon for en kort periode uten neuronal aktivitet, nemlig i såkalte ‘interne variabler’ i nervecellene,” sier Maass. “Simuleringer tyder på at en utmattelsesmekanisme i en undergruppe av nerveceller er essensiell for denne korte hukommelsen.”
Kobling av dyptlæringsnettverk
For å oppnå dette, kobler forskerne to typer dyptlæringsnettverk. Tilbakekoblingsneuronale nettverk er ansvarlige for “korttidshukommelse”, og gjentakende moduler filtrerer ut mulig relevant informasjon fra inngangssignalet og lagrer den. Et fremoverrettet nettverk bestemmer hvilke av relasjonene som er viktige for å løse den nåværende oppgaven. Relasjoner som er meningsløse filtreres ut, og nervecellene sender bare impulser i modulene der relevant informasjon er funnet. Hele denne prosessen er det som fører til dramatiske energibesparelser.
Steve Furber er leder av HBP sin neuromorfe datavitenskapsdivisjon og en professor i datamaskinteknikk ved University of Manchester.
“Dette fremskrittet bringer løftet om energieffektiv, hendelsesbasert kunstig intelligens på neuromorfe plattformer et viktig skritt nærmere realisering. Den nye mekanismen er godt egnet for neuromorfe datasystemer som Intels Loihi og SpiNNaker som kan støtte nervecellemodeller med flere kompartmenter,” sa Furber.












