Intel Labs Introducerar Ny Ansats för Neural Nätverksbaserad Objektlärande

Forskare på Intel (INTC ) Labs, i samarbete med Italienska tekniska institutet och Tekniska universitetet i München, har introducerat en ny ansats för neural nätverksbaserad objektlärande. Den nya ansatsen riktar sig specifikt mot framtida robotapplikationer som robotassistenter som interagerar med oberoende miljöer, som finns i situationer som logistik och hälsovård.

Den nya forskningen kan visa sig vara avgörande för att förbättra servicen eller tillverkningsförmågan hos våra framtida robotar.

Forskningsrapporten med titeln “Interaktiv kontinuerlig lärande för robotar: en neuromorf ansats” belönades med “Bästa papper” vid 2022 års internationella konferens om neuromorfa system (ICONS) som arrangerades av Oak Ridge National Laboratory.

Objektlärande och Neuromorf Beräkning

Nya och interaktiva objektlärande metoder använder neuromorf beräkning för att möjliggöra för robotar att upptäcka nya objekt.

Forskningsgruppen använde de nya modellerna för att demonstrera interaktivt lärande på Loihi-neuromorfa chipen, och de uppnådde upp till 175 gånger lägre energiförbrukning när de lärde sig nya objektförekomster. De uppnådde också liknande eller bättre hastighet och noggrannhet jämfört med konventionella metoder som körs på CPU.

Bild: Intel Labs

Forskarna kunde uppnå detta genom att implementera en spikande neural nätverksarkitektur på Loihi, vilket gjorde det möjligt att lokalisera lärandet av objektet i en enda lager av plastiska synapser. Det tog också hänsyn till olika objektsvyer genom att rekrytera nya neuroner på begäran. Lärandeprocessen kunde sedan äga rum autonomt medan den interagerade med användaren.

Yulia Sandamirskaya är senior författare till rapporten och ansvarig för robotforskning på Intels neuromorfa datorlaboratorium.

“När en människa lär sig ett nytt objekt, tittar de på det, vrider det runt, frågar vad det är och sedan kan de känna igen det igen i alla möjliga inställningar och förhållanden omedelbart”, sa Sandamirskaya. “Vårt mål är att tillämpa liknande förmågor på framtida robotar som arbetar i interaktiva miljöer, vilket möjliggör för dem att anpassa sig till det oförutsedda och arbeta mer naturligt tillsammans med människor. Våra resultat med Loihi förstärker värdet av neuromorf beräkning för robotikens framtid.”

Bild: Intel Labs

Intel Labs Neuromorf Beräkningsforskning

Intel Labs är ledande inom området neuromorf beräkningsforskning, med målet att “hjälpa till att förverkliga neuromorf beräknings mål om att möjliggöra nästa generations intelligenta enheter och autonoma system”.

Neuromorf beräkning styrs av principerna för biologisk neural beräkning och bygger på nya algoritmiska tillvägagångssätt för att efterlikna den mänskliga hjärnan och hur den interagerar med världen.

Den innovativa arkitektoniska ansatsen för neuromorf beräkning kommer att vara ansvarig för att driva framtida autonoma AI-lösningar som kräver både energieffektivitet och kontinuerligt lärande. Den tillämpas redan inom olika områden som robotik, sensorer, hälsovård och storskaliga AI-applikationer.