AI pode usar magnetismo para alcançar a eficiência humana

• Os ímãs podem ajudar a inteligência artificial a alcançar eficiência humana no reconhecimento de objetos.
• Os pesquisadores desenvolvem novas redes que usam menos energia e memória para realizar tarefas semelhantes aos cálculos cerebrais.

A dinâmica elétrica dos neurônios é bastante semelhante à dinâmica de chaveamento de um nanoímã. O comportamento de chaveamento exibido pelo equipamento de junção de túnel magnético é estocástico por natureza. Uma vez que este comportamento representa o comportamento de comutação sigmóide de um neurônio, a junção magnética pode ser utilizada para armazenar pesos sinápticos.

Usando essa propriedade excepcional dos ímãs, os pesquisadores da Purdue University desenvolveram um método que pode ajudar os robôs movidos por inteligência artificial (IA) a alcançar uma eficiência semelhante à humana no reconhecimento de objetos.

O método envolve a fusão do magnetismo com redes semelhantes ao cérebro para ensinar máquinas como drones, carros autônomos e robôs a generalizar melhor sobre vários objetos.

Um Novo Algoritmo

Spiking Neural Networks (SNNs) fornece uma alternativa promissora para a realização de sistemas neuromórficos inteligentes, que precisam de menos recursos computacionais do que as redes neurais convencionais. Essas redes codificam e transmitem dados na forma de eventos de spikes esparsos.

Neste estudo, os pesquisadores usaram a plasticidade dependente do tempo de pico (STDP) para desenvolver um novo algoritmo de treinamento estocástico chamado Stochastic-STDP. É um SNN convolucional residual profundo, denominado ReStoCNet, composto de kernels binários para computação neuromórfica com eficiência de memória.

Referência:Fronteiras | doi:10.3389 / fnins.2019.00189 | Purdue University

Usando o comportamento estocástico intrínseco do ímã, os pesquisadores mudaram a fase de magnetização estocasticamente com base no novo algoritmo. Eles então usaram pesos sinápticos treinados durante a inferência, que foram codificados deterministicamente na fase de magnetização do nanoímã.

A regra de aprendizagem probabilística baseada em STDP incorpora abordagens de aprendizagem Hebbian e anti-Hebbian, para treinar os kernels binários que compõem o ReStoCNet de uma forma não supervisionada em camadas para extração hierárquica de recursos de entrada.

Crédito:Purdue University

A equipe usou ímãs de barreira de alta energia para habilitar primitivos estocásticos compactos e tornar possível usar o mesmo dispositivo como um elemento de memória estável.

Eles validaram a eficiência do ReStroCNet em dois conjuntos de dados diferentes disponíveis publicamente e mostraram que as conexões residuais permitem que camadas convolucionais profundas aprendam recursos de entrada de alto nível valiosos e minimizem a perda incorrida por SNNs sem conexões residuais.

Como isso é útil?

A nova rede é capaz de representar neurônios e sinapses enquanto reduz a quantidade de energia e memória necessária para realizar tarefas semelhantes aos cálculos cerebrais.

Essas redes semelhantes a cérebros podem resolver problemas de otimização difíceis, como coloração de gráficos e problemas de caixeiro-viajante. Os dispositivos estocásticos apresentados neste trabalho podem funcionar como "recozedor natural" e ajudar os algoritmos a sair dos mínimos locais.

Leia:A luz age como um ímã em um novo simulador quântico

Mais especificamente, ReStoCNeT com aprendizagem probabilística com eficiência de memória e computação orientada a eventos é bem adequado para implementar hardware neuromórfico baseado em CMOS e tecnologias de dispositivos emergentes estocásticos, como memória de mudança de fase, memória de acesso aleatório resistiva, que aumenta a eficiência da memória na bateria. dispositivos alimentados.