KI kann Magnetik nutzen, um menschenähnliche Effizienz zu erreichen

• Magnete können der künstlichen Intelligenz helfen, eine menschenähnliche Effizienz bei der Erkennung von Objekten zu erreichen.
• Forscher entwickeln neue Netzwerke, die weniger Energie und Speicher verbrauchen, um ähnliche Aufgaben wie Gehirnberechnungen auszuführen.

Die elektrische Dynamik von Neuronen ist der Schaltdynamik eines Nanomagneten sehr ähnlich. Das Schaltverhalten von Geräten mit magnetischem Tunnelübergang ist stochastischer Natur. Da dieses Verhalten das Sigmoid-Schaltverhalten eines Neurons darstellt, kann die magnetische Verbindung verwendet werden, um synaptische Gewichte zu speichern.

Mithilfe dieser außergewöhnlichen Eigenschaft von Magneten haben die Forscher der Purdue University eine Methode entwickelt, die Robotern mit künstlicher Intelligenz (KI) helfen könnte, eine menschenähnliche Effizienz bei der Erkennung von Objekten zu erreichen.

Die Methode beinhaltet die Verschmelzung von Magnetik mit gehirnähnlichen Netzwerken, um Maschinen wie Drohnen, selbstfahrenden Autos und Robotern beizubringen, mehrere Objekte besser zu verallgemeinern.

Ein neuer Algorithmus

Spiking Neural Networks (SNNs) bieten eine vielversprechende Alternative zur Realisierung intelligenter neuromorpher Systeme, die weniger Rechenressourcen benötigen als herkömmliche neuronale Netze. Diese Netzwerke codieren und übertragen Daten in Form von spärlichen Spiking-Ereignissen.

In dieser Studie verwendeten die Forscher die Spike-Timing-abhängige Plastizität (STDP), um einen neuen stochastischen Trainingsalgorithmus namens Stochastic-STDP zu entwickeln. Es ist ein tiefes Residual Convolutional SNN, genannt ReStoCNet, das aus Binärkerneln für speichereffizientes neuromorphes Computing besteht.

Referenz:Grenzen | doi:10.3389/fnins.2019.00189 | Purdue University

Unter Verwendung des intrinsischen stochastischen Verhaltens des Magneten schalteten die Forscher die Magnetisierungsphase basierend auf dem neuen Algorithmus stochastisch. Sie verwendeten dann während der Inferenz trainierte synaptische Gewichte, die in der Magnetisierungsphase des Nanomagneten deterministisch kodiert wurden.

Die STDP-basierte probabilistische Lernregel umfasst hebbianische und antihebbianische Lernansätze, um die Binärkerne, die aus ReStoCNet bestehen, schichtweise und unüberwacht für die hierarchische Extraktion von Eingabemerkmalen zu trainieren.

Credit:Purdue University 

Das Team verwendete hochenergetische Barrieremagnete, um kompakte stochastische Primitive zu ermöglichen und die Verwendung desselben Geräts als stabiles Speicherelement zu ermöglichen.

Sie validierten die Effizienz von ReStroCNet an zwei verschiedenen öffentlich verfügbaren Datensätzen und zeigten, dass Restverbindungen es tiefen Faltungsschichten ermöglichen, wertvolle High-Level-Eingabefunktionen zu lernen und den durch SNNs verursachten Verlust ohne Restverbindungen zu minimieren.

Wie ist es nützlich?

Das neue Netzwerk ist in der Lage, sowohl Neuronen als auch Synapsen darzustellen und gleichzeitig den Energie- und Speicherbedarf zu reduzieren, der für die Ausführung von Aufgaben ähnlich der Gehirnberechnungen erforderlich ist.

Diese hirnähnlichen Netzwerke können schwierige Optimierungsprobleme lösen, wie beispielsweise das Einfärben von Graphen und das Problem des Handlungsreisenden. Die in dieser Arbeit vorgestellten stochastischen Bauelemente können als „natürlicher Annealer“ fungieren und Algorithmen dabei helfen, lokale Minima zu verlassen.

Lesen Sie:Licht wirkt als Magnet in einem neuen Quantensimulator

Genauer gesagt ist ReStoCNeT mit speichereffizientem probabilistischem Lernen und ereignisgesteuertem Computing gut geeignet für die Implementierung neuromorpher Hardware auf Basis von CMOS und stochastischen neuen Gerätetechnologien wie Phase-Change-Memory, Resistive Random Access Memory, die die Speichereffizienz im Batteriebetrieb verbessern. angetriebene Geräte.