Mänskliga hjärnprojektet och Intel samarbetar för att utveckla neuromorf teknologi

Ett team av forskare vid Mänskliga hjärnprojektet (HBP) arbetar tillsammans med Intel (INTC ) för att utveckla neuromorf teknologi och bringa AI närmare den energieffektivitet som mänskliga hjärnor har. Neuromorf teknologi är mer energieffektiv för stora djupa inlärningsnätverk jämfört med andra AI-system.

Forskare inom HBP och Intel genomförde en serie experiment som demonstrerade denna effektivitet. Experimenten involverade en ny Intel-chip som använder neuroner liknande de i den mänskliga hjärnan. Detta var första gången som sådana resultat demonstrerades.

Forskningen publicerades i Nature Machine Intelligence.

Intels Loihi-chip

Gruppen fokuserade på algoritmer som fungerar med temporala processer, och systemet måste svara på frågor om en tidigare berättad historia medan de förstod relationerna mellan objekt eller personer från sammanhanget. Hårdvaran bestod av 32 Loihi-chip, som är Intels neuroner-forskningschip.

Phillip Plank är en doktorand vid TU Graz’s institut för teoretisk datavetenskap och en anställd vid Intel.

“Vårt system är två till tre gånger mer ekonomiskt här än andra AI-modeller”, säger Plank.

Plank tror att när den nya Loihi-generationen introduceras, kommer den att ha mer effektivitet och förbättra energikrävande chip-till-chip-kommunikation. Mätningar visade att konsumtionen var 1000 gånger mer effektiv eftersom det inte fanns några krävda åtgärder som måste skickas fram och tillbaka mellan chipen.

Gruppen reproducerade en förmodad metod för den mänskliga hjärnan.

Wolfgang Maass är Philipp Planks handledare och professor emeritus vid institutet för teoretisk datavetenskap.

“Experimentella studier har visat att den mänskliga hjärnan kan lagra information under en kort period utan neuronal aktivitet, nämligen i så kallade ‘inre variabler’ i neuroner”, säger Maass. “Simuleringar tyder på att en trötthetsmekanism i en undergrupp av neuroner är avgörande för denna korta minnesförmåga.”

Att koppla djupa inlärningsnätverk

För att uppnå detta kopplar forskarna två typer av djupa inlärningsnätverk. De neuroner som är ansvariga för “kortvarigt minne” och återkommande moduler filtrerar ut möjlig relevant information från indata-signalen och lagrar den. Ett feed-forward-nätverk bestämmer vilka av de relationer som hittats som är viktiga för att lösa den aktuella uppgiften. Relationer som är meningslösa filtreras bort, och neuronerna utlöser endast i de moduler där relevant information har hittats. Hela denna process leder till dramatiska energibesparingar.

Steve Furber är ledare för HBP:s neuromorfa datordivision och professor i datorteknik vid University of Manchester.

“Denna framsteg bringar löftet om energieffektiv, händelsebaserad AI på neuromorfa plattformar ett viktigt steg närmare förverkligande. Den nya mekanismen är väl lämpad för neuromorfa datorsystem som Intels Loihi och SpiNNaker som kan stödja multi-kompartments neuroner-modeller”, säger Furber.