Algoritm löser komplexa inlärningsuppgifter med extrem energoeffektivitet

Ett tvärvetenskapligt forskarteam har gjort stora framsteg i utvecklingen av en maskin som kan bearbeta information lika effektivt som den mänskliga hjärnan, vilket länge har varit ett mål inom området artificiell intelligens. Teamet vid Heidelberg University i Tyskland och University of Bern i Schweiz leddes av Dr. Mihai Petrovici.

Forskningsresultaten publicerades i tidskriften Nature Machine Intelligence.

Biologiskt inspirerade artificiella neuronnätverk

Teamet vände sig till biologiskt inspirerade artificiella neuronnätverk för att möta denna utmaning. Spikande neuronnätverk imiterar strukturen och funktionen hos ett naturligt nervsystem, och de anses vara lovande kandidater med tanke på deras egenskaper som gör dem kraftfulla, snabba och energoeffektiva. En av de stora utmaningarna har varit att träna sådana komplexa system, och teamet är nu nära att lyckas med det tack vare den nyligen implementerade algoritmen.

Neuroner i hjärnan överför information med hjälp av korta elektriska pulser, som kallas spikar. Dessa utlöses när en viss stimulusgräns överskrids. Informationsutbytet påverkas starkt av både den frekvens med vilken en enskild neuron producerar spikar och den temporala sekvensen av de enskilda spikarna.

Julian Göltz är en doktorand i forskargruppen.

“Den stora skillnaden mellan biologiska spiknätverk och artificiella neuronnätverk är att de, eftersom de använder spikbaserad informationsbearbetning, kan lösa komplexa uppgifter som bildigenkänning och klassificering med extrem energoeffektivitet”, säger Göltz.

Att nå full potential

Både den mänskliga hjärnan och de artificiella spikneuronnätverken kräver att de enskilda neuroner är korrekt anslutna till varandra för att nå sin fulla potential. Detta är varför forskarna behövde upptäcka hur hjärninspirerade eller neuromorfiska system kan justeras för att bearbeta spikinmat korrekt.

Laura Kriener är en annan medlem i forskarteamet.

“Denna fråga är grundläggande för utvecklingen av kraftfulla artificiella nätverk baserade på biologiska modeller”, säger Kriener.

Särskilda algoritmer måste användas för att garantera att neuroner i ett spikneuronnätverk utlöser vid rätt tidpunkt, och dessa algoritmer justerar anslutningarna mellan neuroner så att nätverket kan utföra de krävda uppgifterna. Denna uppgift kan vara något som att klassificera bilder med hög precision.

Detta är den typ av algoritm som teamet utvecklade.

“Med denna metod kan vi träna spikneuronnätverk för att koda och överföra information uteslutande i enskilda spikar. De producerar därmed de önskade resultaten särskilt snabbt och effektivt”, förklarar Göltz.

Forskarna lyckades också med att implementera ett neuronnätverk tränat med denna algoritm på en fysisk plattform. Plattformen var den neuromorfiska hårdvaruplattformen BrainScaleS-2 som utvecklats vid Heidelberg University.

Forskarna säger att BrainScaleS-systemet bearbetar information upp till tusen gånger snabbare än den mänskliga hjärnan, samtidigt som det kräver betydligt mindre energi än konventionella datorsystem.

Systemet är en del av det europeiska Human Brain Project. Projektet integrerar teknologier som neuromorfisk datoranvändning i en öppen plattform som kallas EBRAINS.

“Men vårt arbete är inte bara intressant för neuromorfisk datoranvändning och biologiskt inspirerad hårdvara. Det erkänner också den vetenskapliga gemenskapens krav på att överföra så kallade Deep Learning-ansatser till neurovetenskap och därmed ytterligare avslöja hemligheterna hos den mänskliga hjärnan”, säger Dr. Petrovici.