AI-maskinvaruteknik imiterar förändringar i neurala nätverkstopologier

En grupp forskare vid Korea Advanced Institute of Science and Technology (KAIST) har föreslagit ett nytt system inspirerat av hjärnans neuromodulering, som kallas för ett “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 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 för den att lära sig att lagra eller återkalla minnen när det behövs. 

Denna nya typ av AI-inlärningsmetod implementerar direkt neurala koordineringscirkonfigurationer. 

För att effektivt implementera AI i elektroniska enheter är det viktigt att anpassad maskinvaruutveckling stöds. Det sägs att de flesta elektroniska enheter som skapats för AI kräver hög energiförbrukning. Om de ska utföra storskaliga uppgifter behöver de också högt integrerade minnesarrayer. 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. 

Högeffektiv teknik

Teamet demonstrerade den nya teknikens effektivitet genom att skapa artificiell neural nätverksmaskinvara med en självrektifierande synaptisk array och algoritm som kallas för ett “stashningssystem”. Denna maskinvara utvecklades för att utföra AI-inlärning och den kunde reducera energiförbrukningen med 37% inom stashningssystemet utan att försämra noggrannheten. 

“I denna studie implementerade vi inlärningsmetoden för den mänskliga hjärnan med bara en enkel cirkonfiguration och genom detta kunde vi reducera 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 kommersiell halvledarhårdvara. Systemet kan spela en stor roll i designen av nästa generations halvledarchip för AI.