Projekt Ludzkiego Mózgu, Intel Współpracują w Celu Rozwoju Technologii Neuromorficznej

Zespół badaczy w projekcie Ludzkiego Mózgu (HBP) współpracuje z Intel (INTC ), aby rozwinąć technologię neuromorficzną i przybliżyć sztuczną inteligencję do wydajności energetycznej ludzkiego mózgu. Technologia neuromorficzna jest bardziej wydajna energetycznie dla dużych sieci głębokiego uczenia się w porównaniu z innymi systemami sztucznej inteligencji.

Badacze z HBP i Intel przeprowadzili serię eksperymentów, które wykazały tę wydajność. Eksperymenty obejmowały nowy chip Intel, który opiera się na neuronach podobnych do tych w ludzkim mózgu. Był to pierwszy raz, kiedy takie wyniki zostały udowodnione.

Badania zostały opublikowane w Nature Machine Intelligence.

Czipy Loihi Intel

Grupa skupiła się na algorytmach, które działają z procesami czasowymi, a system musiał odpowiedzieć na pytania dotyczące wcześniej opowiedzianej historii, rozumiejąc relacje między obiektami lub ludźmi z kontekstu. Sprzęt składał się z 32 chipów Loihi, które są neuronalnymi chipami badawczymi Intel.

Phillip Plank jest doktorantem w Instytucie Teoretycznej Informatyki na Uniwersytecie Technicznym w Grazu i pracownikiem Intel.

“Nasz system jest dwa do trzech razy bardziej ekonomiczny niż inne modele sztucznej inteligencji”, mówi Plank.

Plank uważa, że nowa generacja chipów Loihi przyniesie większe korzyści pod względem wydajności i poprawi komunikację między chipami. Pomiary wykazały, że zużycie było 1000 razy bardziej wydajne, ponieważ nie wymagało potencjałów czynnościowych, które musiały być wysyłane tam i z powrotem między chipami.

Grupa odtworzyła przypuszczalną metodę ludzkiego mózgu.

Wolfgang Maass jest promotorem doktoratu Philippa Planka i profesorem emerytowanym w Instytucie Teoretycznej Informatyki.

“Badania eksperymentalne wykazały, że ludzki mózg może przechowywać informacje przez krótki czas, nawet bez aktywności neuronalnej, a mianowicie w tzw. ‘zmiennej wewnętrznej’ neuronów”, mówi Maass. “Symulacje sugerują, że mechanizm zmęczenia podzbioru neuronów jest niezbędny dla tej krótkotrwałej pamięci.”

Łączenie Sieci Głębokiego Uczenia

Aby to osiągnąć, badacze łączą dwa rodzaje sieci głębokiego uczenia się. Sieci neuronalne sprzężone zwrotnie są odpowiedzialne za “krótkotrwałą pamięć”, a moduły rekurencyjne filtrowane wyłaniają możliwe istotne informacje z sygnału wejściowego i przechowują je. Sieć feed-forward określa, które relacje znalezione są istotne dla rozwiązania bieżącego zadania. Relacje, które są nieistotne, są filtrowane, a neurony są aktywowane tylko w tych modułach, w których znaleziono istotne informacje. Cały ten proces prowadzi do dramatycznych oszczędności energii.

Steve Furber jest liderem działy komputacji neuromorficznej HBP i profesorem inżynierii komputerowej na Uniwersytecie w Manchesterze.

“Ten postęp przybliża obietnicę wydajności energetycznej sztucznej inteligencji opartej na zdarzeniach na platformach neuromorficznych do spełnienia. Nowy mechanizm jest dobrze dopasowany do systemów komputacji neuromorficznej, takich jak Intel Loihi i SpiNNaker, które mogą obsługiwać modele neuronów wielokompartmentowych”, powiedział Furber.