از چپ به راست: این آزمایش بر روی نمونه اولیه تراشه BrainScales-2 انجام شد ؛ نمایش شماتیک از یک شبکه عصبی ؛ نتایج برای کارهای ساده و پیچیده اعتبار: دانشگاه هایدلبرگ
22 ژوئیه سال 2020
بسیاری از خصوصیات محاسباتی هنگامی به حداکثر می رسند که پویایی شبکه در یک نقطه بحرانی قرار دارد ، “وضعیتی که سیستم ها می توانند به سرعت ویژگیهای کلی خود را به روشهای اساسی تغییر دهند ، به عنوان مثال باعث گذر از نظم و هرج و مرج یا ثبات و بی ثباتی می شوند. بنابراین در وضعیت بحرانی است که به طور گسترده ای تصور می شود برای هرگونه محاسبه در شبکه های عصبی که در بسیاری از برنامه های هوش مصنوعی مورد استفاده قرار می گیرد ،بصورت مکرر مطلوب است.
محققان شریک HBP دانشگاه هایدلبرگ و Max-Planck-Institute for Dynamics and Self Organisation این فرض را با آزمایش عملکرد یک شبکه عصبی با لرزش مکرر در مجموعه ای از کارها با پیچیدگی متفاوت در و به دور از دینامیک بحرانی به چالش کشیدند. آنها شبکه را بر روی نمونه اولیه سیستم BrainScaleS-2 آنالوگ مغزی قرار دادند و BrainScaleS یک سیستم پیشرفته محاسباتی با الهام از مغز است که دارای انعطاف پذیری سیناپسی است که بطور مستقیم بر روی تراشه اجرا شده است. این یکی از دو سیستم عصبی مورب است که هم اکنون در پروژه مغز انسان اروپا در دست توسعه است.
ابتدا محققان نشان دادند كه فاصله با تاخیر را می توان با تغییر در قدرت ورودی به راحتی در تراشه تنظیم كرد و سپس رابطه ی واضحی بین اهمیت و كاركرد را نشان داد. این فرض که اعتبار برای هر کار سودمندی در این زمینه است تأیید نشده است: در حالی که اقدامات نظری اطلاعاتی نشان می دهد ظرفیت شبکه در حد بحرانی حداکثر است ، فقط وظایف پیچیده و حافظه فشرده از آن سود می برد ، در حالی که در واقع در مورد وظایف ساده را تایید نمی کند. بنابراین این مطالعه درک دقیق تری از چگونگی تنظیم وضعیت شبکه جمعی با شرایط مختلف کار برای عملکرد بهینه فراهم می کند.
از نظر مکانیکی ، نقطه کار مطلوب برای هر کار را می توان با انطباق میانگین مقاومت ورودی ، به راحتی تحت انعطاف پذیری هوموستاتیک تنظیم کرد. تئوری پشتیبان این مکانیسم اخیراً در انستیتوی ماکس پلانک تدوین شده است. ویولا پیمزمن ، مدیر ارشد MPID ، می گوید: “قرار دادن آن برای کار بر روی سخت افزار عصبی مورب نشان می دهد که قوانین انعطاف پذیری در تنظیم دینامیک شبکه تا مسافت های مختلف از اهمیت بسیار بالایی برخوردار هستند.” بدین ترتیب وظایف با پیچیدگی متفاوت می توانند در آن فضا بصورت بهینه حل شوند.
این یافته همچنین ممکن است توضیح دهد که چرا شبکه های عصبی بیولوژیکی لزوماً در حالت حساسیت کار نمی کنند ، بلکه در مجاورت بسیار ی از نقطه بحرانی قرار می گیرند ، جایی که می توانند ویژگی های محاسبات خود را با الزامات کار تنظیم کنند. علاوه بر این ، سخت افزار عصبی آن را به عنوان یک خیابان سریع و مقیاس پذیر برای بررسی تأثیر قوانین انعطاف پذیری بیولوژیکی در محاسبات عصبی و پویایی شبکه تعیین می کند.
بنیامین کرامر” از دانشگاه هایدلبرگ می گوید: “به عنوان یک مرحله بعدی ، ما اکنون تأثیر نقطه کار شبکه در طبقه بندی کلمات مصنوعی و واقعی را مطالعه و توصیف می کنیم.”
https://techxplore.com
