AI-modeller och plattformar
AI-maskinvaruteknik imiterar förändringar i neurala nätverkstopologier
Lägg till Unite.AI bland dina föredragna källor på Google
En grupp forskare vid Korea Advanced Institute of Science and Technology (KAIST) har föreslagit ett nytt system inspirerat av hjärnans neuromodulering, som kallas “stashningssystem”. Detta nyligen föreslagna system kräver mindre energiförbrukning.
Teamet leddes av professor Kyung Min Kim från institutionen för materialvetenskap och teknik. Forskningen publicerades i Advanced Functional Materials och stöddes av KAIST, National Research (NRC ) Foundation of Korea, National NanoFab Center och SK Hynix.
Imiterar Neurala Nätverkstopologier
Forskarna utvecklade en teknik som kan hantera matematiska operationer för artificiell intelligens på ett effektivt sätt genom att imitera förändringar i neurala nätverkstopologier beroende på situationen. Detta inspirerades av den mänskliga hjärnan, som kan ändra sin neurala topologi i realtid, vilket möjliggör att den kan lära sig att lagra eller återkalla minnen när det behövs.
Denna nya typ av AI-lärandemetod implementerar direkt neurala koordinationscirkonfigurationer.
För att effektivt implementera AI i elektroniska enheter är det viktigt att anpassad maskinvaruutveckling stöds. Det sagt, de flesta elektroniska enheter som skapats för AI kräver hög energiförbrukning. Om de ska utföra storskaliga uppgifter behöver de också högt integrerade minnesmatriser. Dessa begränsningar i förbrukning och integration har visat sig vara svåra att övervinna, så forskare har börjat titta djupare in i den mänskliga hjärnan för att veta hur den löser problem.
Högpresterande Teknik
Teamet demonstrerade effektiviteten i den nya tekniken genom att skapa artificiell neural nätverkshårdvara med en självrektifierande synaptisk matris och algoritm som kallas “stashningssystem”. Denna hårdvara utvecklades för att utföra AI-lärande och kunde minska energiförbrukningen med 37% inom stashningssystemet utan att försämra noggrannheten.
“I denna studie implementerade vi lärandemeta för den mänskliga hjärnan med bara en enkel cirkonfiguration och genom detta kunde vi minska den energi som behövs med nästan 40 procent”, sa professor Kim.
En av de viktiga aspekterna av detta nya stashningssystem som imiterar hjärnans aktivitet är att det är kompatibelt med befintliga elektroniska enheter och kommersiella halvledarhårdvaror. Systemet kan spela en stor roll i utformningen av nästa generations halvledarchip för AI.
