Projeto Cérebro Humano, Intel Trabalham Juntos para Avançar Tecnologia Neuromórfica

Uma equipe de pesquisadores do Projeto Cérebro Humano (HBP) está trabalhando com a Intel (INTC ) para avançar a tecnologia neuromórfica e trazer a inteligência artificial (IA) mais próxima da eficiência energética do cérebro humano. A tecnologia neuromórfica é mais eficiente em termos de energia para grandes redes de aprendizado profundo em comparação com outros sistemas de IA.

Pesquisadores do HBP e da Intel realizaram uma série de experimentos demonstrando essa eficiência. Os experimentos envolveram um novo chip da Intel que se baseia em neurônios semelhantes aos do cérebro humano. Essa foi a primeira vez que tais resultados foram demonstrados.

A pesquisa foi publicada em Nature Machine Intelligence.

Chips Loihi da Intel

O grupo se concentrou em algoritmos que trabalham com processos temporais, e o sistema teve que responder a perguntas sobre uma história contada anteriormente, entendendo as relações entre objetos ou pessoas do contexto. O hardware consistia em 32 chips Loihi, que são os chips de pesquisa neuronal da Intel.

Phillip Plank é um estudante de doutorado no Instituto de Ciência da Computação Teórica da TU Graz e funcionário da Intel.

“Nosso sistema é duas a três vezes mais econômico aqui do que outros modelos de IA”, afirma Plank.

Plank acredita que, à medida que a nova geração de Loihi for introduzida, haverá mais ganhos de eficiência e melhoria na comunicação entre chips intensiva em energia. As medições mostraram que o consumo foi 1000 vezes mais eficiente, pois não havia potenciais de ação necessários que tivessem que ser enviados de volta e forth entre os chips.

O grupo reproduziu um método presumido do cérebro humano.

Wolfgang Maass é o supervisor de doutorado de Philipp Plank e professor emérito no Instituto de Ciência da Computação Teórica.

“Estudos experimentais mostraram que o cérebro humano pode armazenar informações por um curto período de tempo, mesmo sem atividade neuronal, nomeadamente em variáveis internas de neurônios”, afirma Maass. “Simulações sugerem que um mecanismo de fadiga de um subconjunto de neurônios é essencial para essa memória de curto prazo.”

Vinculando Redes de Aprendizado Profundo

Para alcançar isso, os pesquisadores vinculam dois tipos de redes de aprendizado profundo. As redes neurais de feedback são responsáveis pela “memória de curto prazo”, e módulos recorrentes filtram informações possivelmente relevantes do sinal de entrada e as armazenam. Uma rede de alimentação direta determina quais das relações encontradas são importantes para resolver a tarefa atual. Relações que são irrelevantes são filtradas, e os neurônios apenas disparam nos módulos onde informações relevantes foram encontradas. Todo esse processo é o que leva a economias de energia dramáticas.

Steve Furber é líder da divisão de computação neuromórfica do HBP e professor de Engenharia de Computação da Universidade de Manchester.

“Este avanço traz a promessa de IA baseada em eventos de eficiência energética em plataformas neuromórficas um passo importante mais perto da realização. O novo mecanismo é bem adaptado a sistemas de computação neuromórfica, como o Intel Loihi e o SpiNNaker, que são capazes de suportar modelos de neurônios de múltiplos compartimentos”, disse Furber.