AI kan magnetisme gebruiken om menselijke efficiëntie te bereiken

• Magneten kunnen kunstmatige intelligentie helpen om mensachtige efficiëntie te bereiken bij het herkennen van objecten.
• Onderzoekers ontwikkelen nieuwe netwerken die minder energie en geheugen gebruiken om taken uit te voeren die vergelijkbaar zijn met hersenberekeningen.

De elektrische dynamiek van neuronen lijkt veel op de schakeldynamiek van een nanomagneet. Het schakelgedrag van magnetische tunneljunctieapparatuur is stochastisch van aard. Aangezien dit gedrag het sigmoïde schakelgedrag van een neuron vertegenwoordigt, kan de magnetische junctie worden gebruikt om synaptische gewichten op te slaan.

Met behulp van deze uitzonderlijke eigenschap van magneten hebben de onderzoekers van Purdue University een methode ontwikkeld die door kunstmatige intelligentie (AI) aangedreven robots kan helpen om mensachtige efficiëntie te bereiken bij het herkennen van objecten.

De methode omvat het samenvoegen van magnetisme met hersenachtige netwerken om machines zoals drones, zelfrijdende auto's en robots te leren beter te generaliseren over verschillende objecten.

Een nieuw algoritme

Spiking Neural Networks (SNN's) biedt een veelbelovend alternatief voor het realiseren van intelligente neuromorfe systemen, die minder rekenkracht nodig hebben dan conventionele neurale netwerken. Deze netwerken coderen en verzenden gegevens in de vorm van schaarse pieken.

In deze studie gebruikten onderzoekers spike timing-afhankelijke plasticiteit (STDP) om een ​​nieuw stochastisch trainingsalgoritme te ontwikkelen, genaamd Stochastic-STDP. Het is een diepe resterende convolutionele SNN, ReStoCNet genaamd, samengesteld uit binaire kernels voor geheugenefficiënt neuromorfisch computergebruik.

Referentie:Grenzen | doi:10.3389/fnins.2019.00189 | Purdue-universiteit

Met behulp van het intrinsieke stochastische gedrag van de magneet schakelden onderzoekers de magnetisatiefase stochastisch om op basis van het nieuwe algoritme. Vervolgens gebruikten ze tijdens de inferentie getrainde synaptische gewichten, die deterministisch werden gecodeerd in de magnetisatiefase van de nanomagneet.

De op STDP gebaseerde probabilistische leerregel omvat Hebbiaanse en anti-Hebbiaanse leerbenaderingen, om de binaire kernels bestaande uit ReStoCNet op een laaggewijze, niet-gecontroleerde manier te trainen voor het extraheren van hiërarchische invoerfuncties.

Credit:Purdue University 

Het team gebruikte hoogenergetische barrièremagneten om compacte stochastische primitieven mogelijk te maken en het mogelijk te maken om hetzelfde apparaat als een stabiel geheugenelement te gebruiken.

Ze valideerden de efficiëntie van ReStroCNet op twee verschillende openbaar beschikbare datasets en toonden aan dat resterende verbindingen diepe convolutionele lagen in staat stellen waardevolle invoerfuncties op hoog niveau te leren en het verlies van SNN's zonder resterende verbindingen te minimaliseren.

Hoe is het nuttig?

Het nieuwe netwerk is in staat om zowel neuronen als synapsen weer te geven, terwijl het de hoeveelheid energie en geheugen vermindert die nodig is om taken uit te voeren die vergelijkbaar zijn met hersenberekeningen.

Deze hersenachtige netwerken kunnen moeilijke optimalisatieproblemen oplossen, zoals het kleuren van grafieken en het probleem van handelsreizigers. De stochastische apparaten die in dit werk worden gepresenteerd, kunnen fungeren als 'natuurlijke uitgloeier' en helpen algoritmen om uit lokale minima te komen.

Lezen:licht werkt als een magneet in een nieuwe kwantumsimulator

Meer specifiek is ReStoCNeT met geheugenefficiënt probabilistisch leren en gebeurtenisgestuurd computergebruik zeer geschikt voor het implementeren van neuromorfe hardware op basis van CMOS en stochastische opkomende apparaattechnologieën zoals Phase-Change Memory, Resistive Random Access Memory, die de geheugenefficiëntie in batterij- aangedreven apparaten.