Проект Людського Мозку та Intel Співпрацюють для Розробки Нейроморфної Технології

Команда дослідників у Проекті Людського Мозку (HBP) працюють разом з Intel (INTC ) для розвитку нейроморфної технології та наближення штучного інтелекту до енергоефективності людського мозку. Нейроморфна технологія є більш енергоефективною для великих глибоких навчальних мереж у порівнянні з іншими системами штучного інтелекту.

Дослідники в HBP та Intel провели ряд експериментів, які демонструють цю ефективність. Експерименти включали новий чіп Intel, який використовує нейрони, подібні до тих, що знаходяться в людському мозку. Це був перший раз, коли такі результати були продемонстровані.

Дослідження були опубліковані в Nature Machine Intelligence.

Чіпи Intel Loihi

Група зосередилася на алгоритмах, які працюють з тимчасовими процесами, і система мала відповісти на питання про раніше розказану історію, розуміючи відносини між об’єктами або людьми з контексту. Апаратна частина складалася з 32 чіпів Loihi, які є дослідницькими нейронними чіпами Intel.

Phillip Plank є аспірантом Інституту теоретичної комп’ютерної науки в TU Graz та працівником Intel.

“Наша система в два-три рази більш економічна тут, ніж інші моделі штучного інтелекту”, – каже Plank.

Plank вважає, що з появою нової генерації чіпів Loihi вона матиме ще більшу ефективність та покращить енергозатратний чіп-до-чіп зв’язок. Вимірювання показали, що споживання було в 1000 разів більш ефективним, оскільки не було необхідних потенціалів дії, які мали бути надіслані туди й назад між чіпами.

Група відтворила припущений метод людського мозку.

Wolfgang Maass є науковим керівником Phillip Plank та професором-емеритом Інституту теоретичної комп’ютерної науки.

“Експериментальні дослідження показали, що людський мозок може зберігати інформацію протягом короткого періоду часу навіть без нейронної активності, а саме в так званих ‘внутрішніх змінних’ нейронів”, – каже Maass. “Симуляції свідчать, що механізм втоми підмножини нейронів є необхідним для цієї короткочасної пам’яті.”

Зв’язування Глибоких Навчальних Мереж

Для досягнення цього дослідники зв’язують два типи глибоких навчальних мереж. Зворотні нейронні мережі відповідають за “короткочасну пам’ять”, а рекурентні модулі фільтрують можливу актуальну інформацію з вхідного сигналу та зберігають її. Фід-форвард-мережа визначає, які з відносин, знайдених важливі для вирішення поточної задачі. Відносини, які є безглуздими, фільтруються, а нейрони викликаються лише в тих модулях, де знайдена актуальна інформація. Цій整个 процес призводить до драматичних енергозбережень.

Steve Furber є керівником нейроморфної обчислювальної групи HBP та професором комп’ютерної інженерії в Університеті Манчестера.

“Цей крок наближає обіцянку енергоефективного подієвого штучного інтелекту на нейроморфних платформах до реалізації. Новий механізм добре підходить для нейроморфних обчислювальних систем, таких як Intel Loihi та SpiNNaker, які можуть підтримувати багатокомпартментні моделі нейронів”, – каже Furber.