نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

21 آذر 1403 1:30 ق.ظ

الگوریتمهای یادگیری جدید باید کاربردهای احتمالی هوش مصنوعی را به میزان قابل توجهی گسترش دهد

17 ژوئیه سال 2020 توسط دانشگاه صنعتی گراس

دانشمندان رایانه TU Graz رابرت لگنشتاین و ولفگانگ ماس روی سیستم های هوش مصنوعی کارآمد کار می کنند و از عملکرد مغز انسان الهام می گیرند.

مصرف انرژی زیاد فعالیتهای یادگیری شبکه های عصبی  هوش مصنوعی یکی از بزرگترین موانع برای استفاده گسترده از هوش مصنوعی  به ویژه در کاربردهای موبایل است. یک روش برای حل این مشکل را می توان با دور کردن دانش در مورد مغز انسان اجرا کرد روشی  که اگرچه دارای قدرت محاسباتی یک ابر رایانه است ، اما فقط به 20 وات نیاز دارد که این تنها یک میلیونم انرژی یک ابر رایانه است.

یکی از دلایل این امر انتقال کارآمد اطلاعات بین سلولهای عصبی در مغز است. نورونها ضربان های الکتریکی کوتاه (سنبله) را به سلولهای عصبی دیگر می فرستند ، اما برای صرفه جویی در انرژی ، فقط به همان اندازه که کاملاً لازم است.

پردازش اطلاعات مبتنی بر رویداد

یک گروه کاری به سرپرستی دو دانشمند رایانه بنامهای  ولفگانگ ماس و رابرت لگنشتاین از TU Graz این اصل را در توسعه الگوریتم یادگیری ماشین جدید e-prop برای انتشار الکترونیکی کوتاه اتخاذ کرده اند.

محققان مؤسسه علوم نظری رایانه ، که همچنین بخشی از پروژه پیشتاز اروپا Human Brain Project است ، از طرح سنبله در مدل خود برای ارتباط بین نورونها در یک شبکه عصبی مصنوعی استفاده می کنند.

سنبله فقط زمانی فعال می شود که برای پردازش اطلاعات در شبکه مورد نیاز باشد. یادگیری یک مشکل خاص برای چنین شبکه های با فعالیت کم است ، زیرا مشاهدات طولانی تر زیاد طول می کشد تا مشخص شود که اتصالات نورون باعث بهبود عملکرد شبکه می شوندیا نه .

روشهای قبلی به موفقیت یادگیری خیلی ناچیزی دست یافته بودند و یا فضای ذخیره ای عظیمی را لازم داشتند .  E-prop اکنون با استفاده از روشی غیر متمرکز که از مغزانسان کپی شده است ، این مشکل را حل می کند ، که در آن هر نورون هنگامی که از اتصالات خود در یک به اصطلاح الکترونیکی (رد صلاحیت) استفاده می شود ، اسناد می کند. این روش تقریباً به اندازه بهترین و مفصل ترین روشهای یادگیری شناخته شده قدرتمند است. جزئیات اکنون در ژورنال علمی Nature Communications منتشر شده است.

آفلاین و آنلاین

با وجود بسیاری از تکنیک های یادگیری ماشینی که در حال حاضر در حال استفاده است ، تمام فعالیت های شبکه بصورت مرکزی و آفلاین ذخیره می شوند تا ردیابی هر چند مرحله نحوه استفاده از اتصالات در طول محاسبات مشاهده شود.

با این وجود ، این نیاز به انتقال داده ثابت بین حافظه و پردازنده ها دارد – که یکی از دلایل اصلی مصرف بیش از حد انرژی در اجرای طرحهای فعلی است. از طرف دیگر هوش مصنوعی، e-prop کاملاً آنلاین کار می کند و حتی در عملکرد واقعی به حافظه جداگانه ای نیاز ندارد ، بنابراین یادگیری به انرژی بسیار بیشتری نیاز ندارد.

نیروی محرکه برای سخت افزار نورو مورفیک

ماس و لگنشتاین امیدوارند که e-prop منجر به ایجاد نسل جدیدی از سیستم های محاسبات یادگیری سیار شود که دیگر نیازی به برنامه نویسی ندارند اما طبق مدل مغز انسان یاد می گیرند و در نتیجه با نیازهای مداوم در حال تغییر سازگار می شوند.

هدف دیگر این سیستم های محاسباتی این است که به طور انحصاری مصرف انرژی را از طریق یک پردازش ابری یاد نگیرند ، بلکه یک ادغام کارآمد بخش بیشتری از توانایی یادگیری را در اجزای سخت افزاری موبایل انجام دهند و از این طریق در مصرف انرژی صرفه جویی کنند.

اولین گام ها برای وارد کردن e-prop به برنامه ها قبلاً انجام شده است. به عنوان مثال ، تیم TU Graz به همکاری گروه تحقیقاتی پیشرفته پردازنده (APT) دانشگاه منچستر در پروژه مغز انسانی برای ادغام e-prop در سیستم عصبی مورب SpiNNaker ، که در آنجا توسعه یافته است ، کمک می کند. در همین زمان ، TU Graz با محققان سازنده نیمه هادی Intel همکاری می کند تا این الگوریتم را در نسخه بعدی تراشه نورومورفیک اینتل Loihi ادغام کند.

این کار تحقیقاتی در زمینه های تخصص “انسان و بیوتکنولوژی” و “اطلاعات ، ارتباطات و محاسبات” ، دو مورد از پنج زمینه تخصص TU گراس لنگر است.

https://techxplore.com

آیا این نوشته برایتان مفید بود؟

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *