Проект «Людський мозок», Intel працюють разом над розвитком нейроморфної технології

Команда дослідників у Мозок людини проектами (HBP) співпрацюють з Intel, щоб удосконалити нейроморфні технології та наблизити ШІ до енергоефективності людського мозку. Нейроморфна технологія є більш енергоефективною для великих мереж глибокого навчання порівняно з іншими системами ШІ. 

Дослідники з HBP і Intel провели серію експериментів, що демонструють цю ефективність. Експерименти включали новий чіп Intel, який спирається на нейрони, подібні до нейронів людського мозку. Такі результати були продемонстровані вперше. 

Дослідження було опубліковано в Природний машинний інтелект. 

Чіпи Loihi від Intel

Група зосередилася на алгоритмах, які працюють із часовими процесами, і система мала відповідати на запитання про раніше розказану історію, одночасно розуміючи зв’язки між об’єктами чи людьми з контексту. Апаратне забезпечення складалося з 32 чіпів Loihi, які є чіпами для дослідження нейронів Intel. 

Філіп Планк є докторантом Інституту теоретичної інформатики ТУ Грац і співробітником Intel. 

«Наша система тут у два-три рази економічніша, ніж інші моделі штучного інтелекту», — каже Планк. 

Планк вважає, що з появою нового покоління Loihi воно матиме більше переваг у ефективності та покращить енергоємний зв’язок між чіпами. Вимірювання показали, що споживання було в 1000 разів ефективнішим, оскільки не було необхідних потенціалів дії, які потрібно було передавати туди-сюди між чіпами. 

Група відтворила передбачуваний метод людського мозку. 

Вольфганг Маас є докторським керівником Філіпа Планка та почесним професором Інституту теоретичної інформатики. 

«Експериментальні дослідження показали, що людський мозок може зберігати інформацію протягом короткого проміжку часу навіть без активності нейронів, а саме в так званих «внутрішніх змінних» нейронів», — говорить Маас. «Моделювання показує, що механізм втоми підгрупи нейронів є важливим для цієї короткочасної пам’яті».

Підключення мереж глибокого навчання

Щоб досягти цього, дослідники об’єднують два типи мереж глибокого навчання. Нейронні мережі зворотного зв’язку відповідають за «короткочасну пам’ять», а рекурентні модулі відфільтровують можливу релевантну інформацію з вхідного сигналу та зберігають її. Мережа прямого зв'язку визначає, які зі знайдених зв'язків важливі для вирішення поточного завдання. Безглузді зв’язки відфільтровуються, а нейрони спрацьовують лише в тих модулях, де знайдено відповідну інформацію. Весь цей процес веде до значної економії енергії. 

Стів Фербер є керівником відділу нейроморфних обчислень HBP і професором комп’ютерної інженерії в Університеті Манчестера. 

«Цей прогрес наближає перспективу енергоефективного штучного інтелекту на основі подій на нейроморфних платформах до реалізації. Новий механізм добре підходить для нейроморфних обчислювальних систем, таких як Intel Loihi і SpiNNaker, які здатні підтримувати багатокомпартментні нейронні моделі», — сказав Фурбер.