Thuật toán giải quyết các nhiệm vụ học tập phức tạp với hiệu suất năng lượng cực cao

Một nhóm nghiên cứu liên ngành đã đạt được tiến bộ đáng kể trong việc phát triển một máy có thể xử lý thông tin hiệu quả như não bộ con người, điều mà đã được tìm kiếm từ lâu trong lĩnh vực trí tuệ nhân tạo. Nhóm nghiên cứu tại Đại học Heidelberg ở Đức và Đại học Bern ở Thụy Sĩ được dẫn đầu bởi Tiến sĩ Mihai Petrovici.

Kết quả nghiên cứu đã được công bố trên tạp chí Nature Machine Intelligence.

Mạng nơ-ron nhân tạo lấy cảm hứng từ sinh học

Nhóm nghiên cứu đã tìm kiếm mạng nơ-ron nhân tạo lấy cảm hứng từ sinh học để giải quyết thách thức này. Mạng nơ-ron xung động mô phỏng cấu trúc và chức năng của hệ thống thần kinh tự nhiên, và chúng được coi là ứng viên hứa hẹn do các tính năng làm cho chúng mạnh mẽ, nhanh chóng và tiết kiệm năng lượng. Một trong những thách thức chính đã được đào tạo các hệ thống phức tạp như vậy, và nhóm nghiên cứu hiện đang tiến gần đến việc thực hiện điều đó với thuật toán mới được triển khai.

Các nơ-ron trong não truyền tín hiệu thông tin bằng các xung điện ngắn, được gọi là xung động. Những xung động này được kích hoạt khi một ngưỡng kích thích nhất định được vượt quá. Việc trao đổi thông tin bị ảnh hưởng rất nhiều bởi cả tần số mà một nơ-ron đơn lẻ tạo ra xung động và trình tự thời gian của các xung động riêng lẻ.

Julian Göltz là một ứng viên tiến sĩ trong nhóm nghiên cứu.

“Sự khác biệt chính giữa mạng nơ-ron xung động sinh học và mạng nơ-ron nhân tạo là rằng, vì chúng sử dụng quá trình xử lý thông tin dựa trên xung động, chúng có thể giải quyết các nhiệm vụ phức tạp như nhận dạng và phân loại hình ảnh với hiệu suất năng lượng cực cao,” Göltz cho biết.

Đạt được tiềm năng đầy đủ

Não bộ con người và mạng nơ-ron xung động nhân tạo đều yêu cầu các nơ-ron riêng lẻ phải được kết nối đúng cách với nhau để đạt được tiềm năng đầy đủ. Đây là lý do tại sao các nhà nghiên cứu cần phải khám phá ra cách các hệ thống lấy cảm hứng từ não bộ, hoặc các hệ thống mô phỏng thần kinh, có thể được điều chỉnh để xử lý đầu vào xung động một cách chính xác.

Laura Kriener là một thành viên khác của nhóm nghiên cứu.

“Câu hỏi này là cơ bản cho sự phát triển của các mạng nhân tạo mạnh mẽ dựa trên các mô hình sinh học,” Kriener nói.

Các thuật toán đặc biệt phải được sử dụng để đảm bảo rằng các nơ-ron trong mạng nơ-ron xung động sẽ hoạt động tại đúng thời điểm, và các thuật toán này điều chỉnh các kết nối giữa các nơ-ron để mạng có thể thực hiện các nhiệm vụ yêu cầu. Nhiệm vụ này có thể là phân loại hình ảnh với độ chính xác cao.

Đây là loại thuật toán mà nhóm đã phát triển.

“Sử dụng cách tiếp cận này, chúng tôi có thể đào tạo mạng nơ-ron xung động để mã hóa và truyền tải thông tin độc quyền trong các xung động đơn lẻ. Chúng tạo ra kết quả mong muốn đặc biệt nhanh chóng và hiệu quả,” Göltz giải thích.

Các nhà nghiên cứu cũng đã thành công trong việc triển khai mạng nơ-ron được đào tạo với thuật toán này trên một nền tảng vật lý. Nền tảng này là nền tảng phần cứng mô phỏng thần kinh BrainScaleS-2 được phát triển tại Đại học Heidelberg.

Các nhà nghiên cứu cho biết hệ thống BrainScaleS xử lý thông tin lên đến một nghìn lần nhanh hơn não bộ con người, đồng thời yêu cầu ít năng lượng hơn so với các hệ thống máy tính thông thường.

Hệ thống này là một phần của Dự án Não bộ Con người châu Âu. Dự án tích hợp các công nghệ như tính toán mô phỏng thần kinh vào một nền tảng mở gọi là EBRAINS.

“Tuy nhiên, công việc của chúng tôi không chỉ thú vị cho tính toán mô phỏng thần kinh và phần cứng lấy cảm hứng từ sinh học. Nó cũng công nhận nhu cầu từ cộng đồng khoa học để chuyển các phương pháp học sâu sang khoa học thần kinh và do đó tiết lộ thêm các bí mật của não bộ con người,” Tiến sĩ Petrovici cho biết.