โครงการ Human Brain และ Intel ร่วมมือกันเพื่อพัฒนาเทคโนโลยี Neuromorphic

ทีมนักวิจัยจาก โครงการ Human Brain (HBP) กำลังทำงานร่วมกับ Intel (INTC ) เพื่อพัฒนาเทคโนโลยี Neuromorphic และนำ AI มาใกล้กับความสามารถในการใช้พลังงานของสมองมนุษย์ เทคโนโลยี Neuromorphic มีความสามารถในการใช้พลังงานที่มากกว่าสำหรับเครือข่ายการเรียนรู้ลึกขนาดใหญ่เมื่อเทียบกับระบบ AI อื่นๆ

นักวิจัยจาก HBP และ Intel ได้ทำการทดลองเพื่อแสดงให้เห็นถึงความสามารถในการใช้พลังงานนี้ การทดลองเกี่ยวข้องกับชิปใหม่ของ Intel ที่ใช้เนื้อนแบบเดียวกับสมองมนุษย์ ซึ่งเป็นครั้งแรกที่ผลลัพธ์เหล่านี้ถูกแสดงให้เห็น

การวิจัยนี้ได้รับการตีพิมพ์ใน Nature Machine Intelligence

ชิป Loihi ของ Intel

กลุ่มวิจัยมุ่งเน้นไปที่อัลกอริทึมที่ทำงานกับกระบวนการตามเวลา และระบบต้องตอบคำถามเกี่ยวกับเรื่องราวที่เล่ามาก่อนหน้านี้ ในขณะที่เข้าใจความสัมพันธ์ระหว่างวัตถุหรือบุคคลจากบริบท ฮาร์ดแวร์ประกอบด้วยชิป Loihi 32 ชิป ซึ่งเป็นชิปวิจัยของ Intel

Phillip Plank เป็นนักศึกษาระดับ博士ที่ Institute of Theoretical Computer Science ของ TU Graz และเป็นพนักงานของ Intel

“ระบบของเรามีความสามารถในการใช้พลังงานที่ดีกว่า 2-3 เท่าเมื่อเทียบกับโมเดล AI อื่นๆ” Plank กล่าว

Plank เชื่อว่าเมื่อชิป Loihi รุ่นใหม่ถูกนำมาใช้ จะมีการเพิ่มประสิทธิภาพและปรับปรุงการสื่อสารระหว่างชิปที่ใช้พลังงานมากขึ้น การวัดแสดงให้เห็นว่าการใช้พลังงานลดลง 1,000 เท่า เนื่องจากไม่มีการกระตุ้นที่จำเป็นต้องส่งระหว่างชิป

กลุ่มวิจัยได้สร้างวิธีการที่สมองมนุษย์ใช้ในการจัดเก็บข้อมูล

Wolfgang Maass เป็นอาจารย์ประจำและผู้ดูแลการวิจัยของ Plank ที่ Institute of Theoretical Computer Science

“การศึกษาทางทดลองได้แสดงให้เห็นว่าสมองมนุษย์สามารถจัดเก็บข้อมูลได้ในช่วงเวลาสั้นๆ แม้ไม่มีการกระตุ้นของเซลล์ประสาท ก็สามารถเก็บข้อมูลได้ใน ‘ตัวแปรภายใน’ ของเซลล์ประสาท” Maass กล่าว “การจำลองแบบแสดงให้เห็นว่ากลไกความเหนื่อยหน่ายของเซลล์ประสาทบางส่วนมีความสำคัญต่อความจำระยะสั้น”

การเชื่อมโยงเครือข่ายการเรียนรู้ลึก

เพื่อให้บรรลุเป้าหมายนี้ นักวิจัยได้เชื่อมโยงสองประเภทของเครือข่ายการเรียนรู้ลึก เครือข่ายประสาทที่มีการให้ข้อมูลกลับเป็นเครือข่ายที่รับผิดชอบในการ “จัดเก็บข้อมูลระยะสั้น” และโมดูลที่เกิดซ้ำจะกรองข้อมูลที่เกี่ยวข้องออกจากสัญญาณเข้าและจัดเก็บไว้ เครือข่ายที่ให้ข้อมูลไปข้างหน้าจะกำหนดความสัมพันธ์ที่สำคัญสำหรับการแก้ปัญหาในปัจจุบัน ความสัมพันธ์ที่ไม่เกี่ยวข้องจะถูกกรองออก และเซลล์ประสาทจะทำงานเฉพาะในโมดูลที่มีข้อมูลที่เกี่ยวข้องเท่านั้น กระบวนการทั้งหมดนี้นำไปสู่การประหยัดพลังงานที่มาก

Steve Furber เป็นผู้นำของแผนกการคำนวณ Neuromorphic ของ HBP และเป็นศาสตราจารย์ด้านวิศวกรรมคอมพิวเตอร์ที่ University of Manchester

“ความก้าวหน้านี้นำความหวังของ AI ที่ใช้พลังงานมีประสิทธิภาพบนแพลตฟอร์ม Neuromorphic มาใกล้กับการบรรลุผลลัพธ์มากขึ้น กลไกใหม่นี้เหมาะสมกับระบบการคำนวณ Neuromorphic เช่น Intel Loihi และ SpiNNaker ที่สามารถรองรับโมเดลเซลล์ประสาทหลายช่อง” Furber กล่าว