جدید آموزش الگوریتم باید به طور قابل توجهی گسترش برنامه های کاربردی ممکن است از هوش مصنوعی

بالا در مصرف انرژی از شبکه های عصبی مصنوعی' فعالیت های یادگیری یکی از بزرگترین موانع به صورت گسترده با استفاده از هوش مصنوعی (AI) به خصوص در برنامه های کاربردی تلفن همراه. یک روش برای حل این مشکل می خورد از دانش در مورد مغز انسان. با وجود آن که قدرت محاسباتی از یک ابر رایانه آن تنها 20 وات است که تنها یک میلیون از این انرژی از یک ابر رایانه ها است. یکی از دلایل این انتقال کارآمد اطلاعات بین سلول های عصبی در مغز. نورون های کوتاه ارسال پیامهای الکتریکی (خوشه) به دیگر نورون - اما برای صرفه جویی در انرژی تنها به عنوان اغلب به عنوان کاملا ضروری است.

یک گروه کاری به رهبری دو کامپیوتر دانشمندان ولفگانگ Maass و رابرت Legenstein از TU Graz اتخاذ کرده است این اصل در توسعه های جدید یادگیری ماشین الگوریتم e-prop (کوتاه برای e-انتشار). محققان در موسسه علوم کامپیوتر نظری است که همچنین بخشی از اروپا فانوس دریایی, پروژه مغز انسان, پروژه استفاده از خوشه در مدل خود را برای ارتباط بین سلول های عصبی در یک شبکه عصبی مصنوعی. خوشه تنها فعال شوند زمانی که آنها مورد نیاز برای پردازش اطلاعات در شبکه است. یادگیری یک چالش خاص برای چنین کمتر فعال شبکه های پس از آن طول می کشد مشاهدات که برای تعیین ارتباط نورون بهبود عملکرد شبکه.

قبلی روش زمانی کمی بیش از حد موفقیت در یادگیری و یا نیاز زیادی فضای ذخیره سازی. E-سرپا نگه داشتن در حال حاضر حل این مشکل با استفاده از یک روش غیر متمرکز کپی شده از مغز است که در آن هر نورون اسناد هنگامی که اتصالات آن استفاده شد در یک به اصطلاح e-ردیابی (واجد شرایط ردیابی). این روش تقریبا به عنوان قدرتمند به عنوان بهترین و زیبا ترین استادانه درست شده شناخته شده دیگر روش های یادگیری. جزئیات در حال حاضر منتشر شده در مجله علمی Nature Communications.

با بسیاری از تکنیک یادگیری ماشین در حال حاضر در حال استفاده از تمام فعالیت های شبکه های ذخیره شده در مرکز و آفلاین به منظور ردیابی هر چند مراحل چگونه ارتباط بودند مورد استفاده در محاسبات. اما این نیاز به یک ثابت انتقال داده ها بین حافظه و پردازنده - یکی از دلایل اصلی برای مصرف انرژی بیش از حد از زمان هوش مصنوعی پیاده سازی. e-سرپا نگه داشتن از سوی دیگر با این نسخهها کار به طور کامل آنلاین و نیازی نیست جداگانه حافظه حتی در عملیات - نتیجه گیری یادگیری خیلی بیشتر انرژی کارآمد است.

Maass و Legenstein امیدوارم که e-prop خواهد شد درایو توسعه نسل جدید موبایل آموزش محاسبات سیستم های که دیگر نیاز به برنامه ریزی اما یادگیری با توجه به مدل از مغز انسان و در نتیجه انطباق به طور مداوم در حال تغییر مورد نیاز است. هدف این است که برای دیگر باید این محاسبات سیستم های یادگیری انرژی به شدت به طور انحصاری از طریق یک ابر اما به نحو احسن ادغام بخش بیشتری از توانایی یادگیری به همراه قطعات سخت افزاری و در نتیجه صرفه جویی در انرژی.

اولین گام برای آوردن e-سرپا نگه داشتن به نرم افزار در حال حاضر ساخته شده است. برای مثال TU Graz تیم در حال کار همراه با پردازشگر پیشرفته فن آوری های پژوهشی گروه (APT) از دانشگاه منچستر در مغز انسان به پروژه ادغام e-سرپا نگه داشتن به neuromorphic سوالات متداول در سیستم است که توسعه داده شده است وجود دارد. در همان زمان TU Graz در حال همکاری با محققان از نیمه هادی تولید کننده اینتل برای یکپارچه سازی الگوریتم به نسخه بعدی اینتل neuromorphic تراشه Loihi.

###

این کار تحقیقاتی است که در زمینه تخصص "انسان و بیوتکنولوژی" و "اطلاعات ، ارتباطات و محاسبات" دو نفر از پنج زمینه تخصص TU Graz.

به اصلی انتشار یک راه حل برای یادگیری معضل به صورت مکرر شبکه های خونتان های عصبی در ارتباطات طبیعت

گیوم Bellec فرانتس Scherr, آناند, Subramoney الیاس Hajek, Darjan Salaj, رابرت Legenstein ولفگانگ Maass;

DOI: 10.1038/s41467-020-17236-y

TU Graz | موسسه علم کامپیوتر نظری
ولفگانگ MAASS
Em.Univ.-پروفسور Dipl.-Ing. دکتر rer.nat.
تلفن: +43 316 873 5822
0699 8845 3149
maass@igi.tugraz.at

رابرت LEGENSTEIN
Univ.-پروفسور Dipl.-Ing. دکتر techn.
تلفن: +43 316 873 5824
robert.legenstein@igi.tugraz.at

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.