Projekti i trurit njerëzor, Intel punojnë së bashku për të avancuar teknologjinë neuromorfike

Një ekip hulumtuesish në Projekti i Trurit të Njeriut (HBP) po punojnë me Intel për të avancuar teknologjinë neuromorfike dhe për të sjellë AI më afër efikasitetit energjetik të trurit të njeriut. Teknologjia neuromorfike është më efikase në energji për rrjetet e mëdha të të mësuarit të thellë kur krahasohet me sistemet e tjera të AI. 

Studiuesit në HBP dhe Intel kryen një sërë eksperimentesh që demonstrojnë këtë efikasitet. Eksperimentet përfshinin një çip të ri Intel që mbështetet në neurone të ngjashme me ato në trurin e njeriut. Kjo ishte hera e parë që u shfaqën rezultate të tilla. 

Hulumtimi u botua në Inteligjenca e makinës së natyrës. 

Çipat Loihi të Intel

Grupi u fokusua në algoritme që punojnë me procese kohore dhe sistemi duhej t'u përgjigjej pyetjeve në lidhje me një histori të treguar më parë duke kuptuar marrëdhëniet midis objekteve ose njerëzve nga konteksti. Pajisja përbëhej nga 32 çipa Loihi, të cilët janë çipat e kërkimit neuronal të Intel. 

Phillip Plank është student i doktoraturës në Institutin e Shkencave Teorike Kompjuterike në TU Graz dhe punonjës në Intel. 

"Sistemi ynë është dy deri në tre herë më ekonomik këtu se modelet e tjera të AI," thotë Plank. 

Plank beson se ndërsa prezantohet gjenerata e re Loihi, do të ketë më shumë përfitime në efikasitet dhe do të përmirësojë komunikimin me energji intensive nga çip në çip. Matjet treguan se konsumi ishte 1000 herë më efikas pasi nuk kishte potenciale të nevojshme veprimi që duhej të dërgoheshin mbrapa dhe mbrapa midis çipave. 

Grupi riprodhoi një metodë të supozuar të trurit të njeriut. 

Wolfgang Maass është mbikëqyrës i doktoraturës dhe profesor emeritus i Philipp Plank në Institutin e Shkencave Teorike Kompjuterike. 

"Studimet eksperimentale kanë treguar se truri i njeriut mund të ruajë informacionin për një periudhë të shkurtër kohore edhe pa aktivitet neuronal, domethënë në të ashtuquajturat 'ndryshore të brendshme' të neuroneve," thotë Maass. "Simulimet sugjerojnë se një mekanizëm lodhjeje i një nëngrupi neuronesh është thelbësor për këtë memorie afatshkurtër."

Lidhja e rrjeteve të mësimit të thellë

Për ta arritur këtë, studiuesit lidhin dy lloje të rrjeteve të të mësuarit të thellë. Rrjetet nervore të reagimit janë përgjegjës për "memorien afatshkurtër" dhe modulet e përsëritura filtrojnë informacionin e mundshëm përkatës nga sinjali hyrës dhe e ruajnë atë. Një rrjet feed-forward përcakton se cilat nga marrëdhëniet e gjetura janë të rëndësishme për zgjidhjen e detyrës aktuale. Marrëdhëniet që janë të pakuptimta filtrohen dhe neuronet ndezin vetëm në ato module ku është gjetur informacioni përkatës. I gjithë ky proces është ai që çon në kursime dramatike të energjisë. 

Steve Furber është udhëheqës i divizionit të llogaritjes neuromorfike HBP dhe profesor i Inxhinierisë Kompjuterike në Universitetin e Mançesterit. 

“Ky përparim sjell premtimin e AI të bazuar në ngjarje me efikasitet energjetik në platformat neuromorfike, një hap i rëndësishëm më afër realizimit. Mekanizmi i ri është i përshtatshëm për sistemet kompjuterike neuromorfike si Intel Loihi dhe SpiNNaker që janë në gjendje të mbështesin modelet e neuroneve me shumë ndarje, "tha Furber.