Ако бъдещият ви телефон има собствен мозък, с който да се обучава чрез ИИ, сърдете се (или похвалете) тези учени

Вдъхновеният от мозъка хардуер може да разпознава модели и да прави прогнози, като използва много по-малко изчисления за обучение в сравнение с конвенционалните системи за изкуствен интелект.

Д-р Джоузеф С. Фридман, доцент по електротехника и компютърно инженерство и ръководител на лабораторията NeuroSpinCompute, заяви, че този пробив може да промени начина, по който машините се учат.

„Нашата работа показва потенциален нов път за създаване на вдъхновени от мозъка компютри, които могат да се учат сами“, казва той. „Тъй като невроморфните компютри не се нуждаят от огромно количество изчисления за обучение, те биха могли да захранват умни устройства без огромни разходи за енергия.“

Традиционните компютри разделят паметта от обработката, което налага постоянното преместване на данни между двете. Този дизайн прави системите за изкуствен интелект енергоемки и силно зависими от огромни маркирани масиви от данни. Обучението на големи модели може да струва стотици милиони долари.

Невроморфното изчисление работи по различен начин. То черпи вдъхновение от мозъка, където невроните и синапсите обработват и съхраняват информация заедно. Синапсите се усилват или отслабват в зависимост от активността, което позволява непрекъснато учене. Работата на Фридман се основава на принцип на невропсихолога Доналд Хеб, известен като законът на Хеб: невроните, които се активират заедно, се свързват заедно.

„Принципът, който използваме, за да може компютърът да се учи сам, е, че ако един изкуствен неврон предизвика активирането на друг изкуствен неврон, синапсът, който ги свързва, става по-проводим“, обяснява Фридман.

В основата на прототипа са магнитните тунелни преходи (MTJ), наноразмерни устройства, съставени от два магнитни слоя, разделени от изолатор. Електроните могат да преминават през бариерата по-лесно, когато магнитните слоеве са подредени в една и съща посока, и по-трудно, когато не са. Чрез свързване на MTJ в мрежа, изследователите създадоха система, която регулира собствените си връзки, докато сигналите преминават през нея. Някои пътища се усилват, докато други отслабват, подобно на това как синапсите в мозъка се развиват по време на ученето.

MTJ също така предлагат надеждно съхранение на данни благодарение на своето бинарно превключващо поведение, като преодоляват едно от основните ограничения, което отдавна пречи на други невроморфни подходи.

Следващата цел на Фридман е да разшири прототипа, така че да може да се справя с по-сложни задачи за обучение. По-голяма невроморфна система би могла да обработва данни в реално време, като консумира само част от енергията, използвана от днешните ИИ чипове. Такава ефективност би позволила на телефони, носими устройства и други крайни устройства да изпълняват локално усъвършенствани ИИ модели, без да разчитат на масивни облачни сървъри. Това би могло да облекчи нарастващото натоварване на глобалните центрове за данни, които понастоящем консумират огромни количества енергия за ИИ изчисления.

„Ако бъде успешна, тази технология би позволила на умните устройства да мислят и да се адаптират, без да се налага да се свързват постоянно с облака“, завършва Фридман.