La IA puede usar la magnetización para lograr una eficiencia similar a la humana

• Los imanes pueden ayudar a la inteligencia artificial a lograr una eficiencia similar a la humana en el reconocimiento de objetos.
• Los investigadores desarrollan nuevas redes que utilizan menos energía y memoria para realizar tareas similares a los cálculos cerebrales.

La dinámica eléctrica de las neuronas es bastante similar a la dinámica de conmutación de un nanomaimán. El comportamiento de conmutación exhibido por el equipo de unión de túnel magnético es de naturaleza estocástica. Dado que este comportamiento representa el comportamiento de conmutación sigmoidea de una neurona, la unión magnética se puede utilizar para almacenar pesos sinápticos.

Utilizando esta propiedad excepcional de los imanes, los investigadores de la Universidad de Purdue han desarrollado un método que podría ayudar a los robots impulsados ​​por inteligencia artificial (IA) a lograr una eficiencia similar a la humana en el reconocimiento de objetos.

El método implica fusionar el magnetismo con redes similares al cerebro para enseñar a máquinas como drones, automóviles autónomos y robots a generalizar mejor sobre varios objetos.

Un nuevo algoritmo

Spiking Neural Networks (SNN) proporciona una alternativa prometedora hacia la realización de sistemas neuromórficos inteligentes, que necesitan menos recursos computacionales que las redes neuronales convencionales. Estas redes codifican y transmiten datos en forma de eventos de picos dispersos.

En este estudio, los investigadores utilizaron la plasticidad dependiente del tiempo de picos (STDP) para desarrollar un nuevo algoritmo de entrenamiento estocástico llamado Stochastic-STDP. Es un SNN convolucional residual profundo, denominado ReStoCNet, compuesto de núcleos binarios para la computación neuromórfica con memoria eficiente.

Referencia:Fronteras | doi:10.3389 / fnins.2019.00189 | Universidad Purdue

Utilizando el comportamiento estocástico intrínseco del imán, los investigadores cambiaron estocásticamente la fase de magnetización basándose en el nuevo algoritmo. Luego utilizaron pesos sinápticos entrenados durante la inferencia, que fueron codificados determinísticamente en la fase de magnetización del nanomagnet.

La regla de aprendizaje probabilístico basada en STDP incorpora enfoques de aprendizaje hebbiano y anti-hebbiano, para entrenar los núcleos binarios que componen ReStoCNet de una manera no supervisada por capas para la extracción de características de entrada jerárquica.

Crédito:Universidad Purdue

El equipo utilizó imanes de barrera de alta energía para habilitar primitivas estocásticas compactas y hacer posible el uso del mismo dispositivo como elemento de memoria estable.

Ellos validaron la eficiencia de ReStroCNet en dos conjuntos de datos diferentes disponibles públicamente y demostraron que las conexiones residuales permiten que capas convolucionales profundas aprendan características de entrada valiosas de alto nivel y minimicen la pérdida incurrida por los SNN sin conexiones residuales.

¿Qué utilidad tiene?

La nueva red es capaz de representar tanto neuronas como sinapsis al tiempo que reduce la cantidad de energía y memoria necesarias para realizar tareas similares a los cálculos cerebrales.

Estas redes similares a cerebros pueden resolver problemas de optimización difíciles, como el color de los gráficos y el problema de los vendedores ambulantes. Los dispositivos estocásticos presentados en este trabajo pueden funcionar como "templado natural" y ayudar a los algoritmos a salir de los mínimos locales.

Leer:La luz actúa como un imán en un nuevo simulador cuántico

Más específicamente, ReStoCNeT con aprendizaje probabilístico eficiente en memoria y computación impulsada por eventos es muy adecuado para implementar hardware neuromórfico basado en CMOS y tecnologías de dispositivos emergentes estocásticos como Phase-Change Memory, Resistive Random Access Memory, que mejoran la eficiencia de la memoria en baterías. dispositivos alimentados.