İnsan Beyin Projesi, Intel ile Birlikte Nöromorfik Teknolojiyi Geliştirmek İçin Çalışıyor

İnsan Beyin Projesi (HBP) bünyesindeki bir araştırma ekibi, Intel (INTC ) ile birlikte nöromorfik teknolojiyi geliştirmek ve yapay zekâyı insan beyninin enerji verimliliğine yaklaştırmak için çalışıyor. Nöromorfik teknoloji, büyük derin öğrenme ağları için diğer yapay zeka sistemlerine kıyasla daha enerji verimlidir.

HBP ve Intel’den araştırmacılar, bu verimliliği gösteren bir dizi deney gerçekleştirdiler. Deneyler, insan beynindeki nöronlara benzer nöronlara dayanan yeni bir Intel çipi içeriyordu. Bu, böyle bir sonuçların ilk kez gösterildiği zamandı.

Araştırma, Nature Machine Intelligence’da yayımlandı.

Intel’in Loihi Çipleri

Grup, temporal süreçlerle çalışan algoritmalar üzerinde odaklandı ve sistem, daha önce anlatılan bir hikayeden nesneler veya kişiler arasındaki ilişkileri anlamak için sorulara cevap vermek zorundaydı. Donanım, Intel’in nöron araştırmaları için kullanılan 32 Loihi çipinden oluşuyordu.

Phillip Plank, TU Graz’ın Teorik Bilgisayar Bilimi Enstitüsü’nde doktora öğrencisi ve Intel’de çalışanı.

“Sistemimiz, diğer AI modellerine kıyasla burada iki ila üç kat daha ekonomiktir” diyor Plank.

Plank, yeni Loihi neslinin tanıtılmasıyla birlikte daha fazla verimlilik kazanımları olacağını ve enerji yoğun çip-çip iletişimini iyileştireceğini düşünüyor. Ölçümler, tüketimin 1000 kat daha verimli olduğunu gösterdi, çünkü çipler arasında geri gönderilmesi gereken hiçbir eylem potansiyeli yoktu.

Grup, insan beyninin varsayılan bir yöntemini yeniden üretti.

Wolfgang Maass, Philipp Plank’ın doktora danışmanı ve Teorik Bilgisayar Bilimi Enstitüsü’nün profesör emeritus’u.

“Deneysel çalışmalar, insan beyninin nöronal aktivite olmadan kısa bir süre için bilgi depolayabileceğini göstermiştir, yani nöronların ‘iç değişkenleri’nde” diyor Maass. “Simülasyonlar, kısa süreli hafıza için nöronların bir alt kümesinin yorgunluk mekanizmasının esas olduğunu önermektedir.”

Derin Öğrenme Ağlarını Bağlamak

Bunu başarmak için araştırmacılar, iki tür derin öğrenme ağını bağladılar. Geri beslemeli nöronal ağlar, “kısa süreli hafıza” için sorumluyken, yinelemeli modüller girdi sinyalinden olası ilgili bilgileri filtreleyerek depoladılar. Bir besleme ileri ağ, bulunan ilişkilerin当前 görevi çözmek için önemli olup olmadığını belirledi. Anlamsız ilişkiler filtrelenerek, nöronlar sadece ilgili bilgilerin bulunduğu modüllerde ateşledi. Bu tüm süreç, dramatik enerji tasarrufuna yol açtı.

Steve Furber, HBP’nin nöromorfik hesaplama bölümünün lideri ve Manchester Üniversitesi’nde Bilgisayar Mühendisliği profesörü.

“Bu ilerleme, nöromorfik platformlardaki enerji verimliliğine dayalı olay tabanlı AI’nin vaadini önemli bir adım daha gerçekleştirmeye yaklaştırmaktadır. Yeni mekanizma, Intel Loihi ve SpiNNaker gibi çok bölmeli nöron modellerini destekleyebilen nöromorfik hesaplama sistemlerine iyi uyum sağlamaktadır” diyor Furber.