Dự án Não Bộ con người, Intel hợp tác để phát triển công nghệ Neuromorphic

Một nhóm nghiên cứu tại Dự án Não Bộ con người (HBP) đang hợp tác với Intel (INTC ) để phát triển công nghệ Neuromorphic và đưa trí tuệ nhân tạo (AI) gần hơn với hiệu suất năng lượng của não bộ con người. Công nghệ Neuromorphic hiệu quả hơn về năng lượng cho các mạng học sâu lớn so với các hệ thống AI khác.

Các nhà nghiên cứu tại HBP và Intel đã thực hiện một loạt các thí nghiệm chứng minh hiệu quả này. Các thí nghiệm liên quan đến một con chip mới của Intel dựa trên các nơ-ron tương tự như những nơ-ron trong não bộ con người. Đây là lần đầu tiên những kết quả như vậy được chứng minh.

Nghiên cứu này được công bố trên Tạp chí Trí tuệ Máy tính Nature.

Chip Loihi của Intel

Nhóm nghiên cứu tập trung vào các thuật toán hoạt động với các quá trình thời gian, và hệ thống phải trả lời các câu hỏi về một câu chuyện đã được kể trước đó trong khi hiểu mối quan hệ giữa các đối tượng hoặc người từ ngữ cảnh. Phần cứng bao gồm 32 chip Loihi, là các chip nghiên cứu nơ-ron của Intel.

Phillip Plank là một sinh viên tiến sĩ tại Viện Khoa học Máy tính Lý thuyết của TU Graz và là nhân viên tại Intel.

“Hệ thống của chúng tôi là hai đến ba lần tiết kiệm hơn so với các mô hình AI khác,” Plank nói.

Plank tin rằng khi thế hệ Loihi mới được giới thiệu, nó sẽ có thêm lợi ích về hiệu suất và cải thiện giao tiếp giữa các chip tiêu tốn năng lượng. Các phép đo cho thấy việc tiêu thụ năng lượng hiệu quả hơn 1000 lần vì không cần phải gửi các tín hiệu hoạt động trở lại và đi giữa các chip.

Nhóm nghiên cứu đã tái tạo một phương pháp được cho là của não bộ con người.

Wolfgang Maass là người giám sát tiến sĩ của Philipp Plank và là giáo sư danh dự tại Viện Khoa học Máy tính Lý thuyết.

“Các nghiên cứu thực nghiệm đã chỉ ra rằng não bộ con người có thể lưu trữ thông tin trong một khoảng thời gian ngắn ngay cả khi không có hoạt động nơ-ron, cụ thể là trong các ‘biến số nội bộ’ của nơ-ron,” Maass nói. “Các mô phỏng gợi ý rằng một cơ chế mệt mỏi của một tập hợp con của nơ-ron là thiết yếu cho bộ nhớ ngắn hạn này.”

Nối kết các Mạng học sâu

Để đạt được điều này, các nhà nghiên cứu kết nối hai loại mạng học sâu. Các mạng nơ-ron phản hồi chịu trách nhiệm cho “bộ nhớ ngắn hạn”, và các mô-đun lặp lại lọc ra thông tin có thể liên quan từ tín hiệu đầu vào và lưu trữ nó. Một mạng lưới tiến hành xác định mối quan hệ nào được tìm thấy là quan trọng để giải quyết nhiệm vụ hiện tại. Các mối quan hệ không có nghĩa được lọc ra, và các nơ-ron chỉ hoạt động trong các mô-đun nơi thông tin liên quan đã được tìm thấy. Toàn bộ quá trình này dẫn đến tiết kiệm năng lượng đáng kể.

Steve Furber là người đứng đầu bộ phận tính toán Neuromorphic của HBP và là giáo sư Kỹ thuật Máy tính tại Đại học Manchester.

“Bước tiến này mang lại lời hứa về trí tuệ nhân tạo dựa trên sự kiện tiết kiệm năng lượng trên các nền tảng Neuromorphic một bước quan trọng gần hơn với hiện thực. Cơ chế mới này rất phù hợp với các hệ thống tính toán Neuromorphic như Intel Loihi và SpiNNaker có thể hỗ trợ các mô hình nơ-ron đa ngăn,” Furber nói.