ИИ может использовать магнетизм для достижения эффективности, подобной человеческой

• Магниты могут помочь искусственному интеллекту достичь эффективности распознавания объектов, сравнимой с человеческой.
• Исследователи разрабатывают новые сети, которые используют меньше энергии и памяти для выполнения задач, подобных вычислениям мозга.

Электрическая динамика нейронов очень похожа на динамику переключения наномагнита. Поведение при переключении, которое демонстрирует оборудование с магнитным туннельным переходом, носит стохастический характер. Поскольку это поведение представляет собой переключение сигмовидного нейрона, магнитное соединение можно использовать для хранения синаптических весов.

Используя это исключительное свойство магнитов, исследователи из Университета Пердью разработали метод, который может помочь роботам с искусственным интеллектом (ИИ) достичь эффективности распознавания объектов, подобной человеческой.

Метод включает в себя слияние магнетизма с мозговыми сетями, чтобы научить такие машины, как дроны, беспилотные автомобили и роботы, лучше обобщать несколько объектов.

Новый алгоритм

Пиковые нейронные сети (SNN) представляют собой многообещающую альтернативу реализации интеллектуальных нейроморфных систем, которые требуют меньших вычислительных ресурсов, чем обычные нейронные сети. Эти сети кодируют и передают данные в виде редких всплесков.

В этом исследовании исследователи использовали пластичность, зависящую от времени всплеска (STDP), для разработки нового алгоритма стохастического обучения под названием Stochastic-STDP. Это глубокая остаточная сверточная сеть SNN, называемая ReStoCNet, состоящая из двоичных ядер для нейроморфных вычислений с эффективным использованием памяти.

Ссылка:Frontiers | doi:10.3389 / fnins.2019.00189 | Университет Пердью

Используя естественное стохастическое поведение магнита, исследователи изменили фазу намагничивания стохастически на основе нового алгоритма. Затем они использовали обученные синаптические веса во время вывода, которые были детерминированно закодированы в фазе намагничивания наномагнита.

Правило вероятностного обучения на основе STDP включает в себя подходы обучения Hebbian и Anti-Hebbian для обучения бинарных ядер, составляющих ReStoCNet, на уровне слоев без учителя для извлечения иерархических входных функций.

Источник:Университет Пердью

Команда использовала магниты с высокоэнергетическим барьером, чтобы включить компактные стохастические примитивы и сделать возможным использование того же устройства в качестве стабильного элемента памяти.

Они подтвердили эффективность ReStroCNet на двух различных общедоступных наборах данных и показали, что остаточные соединения позволяют глубоким сверточным слоям изучать ценные входные функции высокого уровня и минимизировать потери, которые несут SNN без остаточных соединений.

Чем это полезно?

Новая сеть способна представлять как нейроны, так и синапсы, уменьшая при этом количество энергии и памяти, необходимые для выполнения задач, подобных вычислениям мозга.

Эти мозговые сети могут решать сложные задачи оптимизации, такие как раскраска графов и задача коммивояжера. Стохастические устройства, представленные в этой работе, могут функционировать как «естественный отжигатель» и помогать алгоритмам выходить за пределы локальных минимумов.

Читайте:свет действует как магнит в новом квантовом симуляторе

В частности, ReStoCNeT с вероятностным обучением с эффективным использованием памяти и вычислениями, управляемыми событиями, хорошо подходит для реализации нейроморфного оборудования на основе CMOS и новых технологий стохастических устройств, таких как память с изменением фазы, резистивная память с произвольным доступом, которые повышают эффективность использования памяти при работе от батарей. устройства с питанием.