نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

25 خرداد 1403 3:18 ق.ظ

دستیابی به موفقیت در هوش مصنوعی با مصرف انرژی

ai

8 اکتبر 2020توسط Centrum Wiskunde و Informatica

به لطف دستیابی به موفقیت های ریاضی ، برنامه های هوش مصنوعی مانند تشخیص گفتار ، تشخیص حرکت و طبقه بندی ECG می توانند صد تا هزار برابر کارآیی انرژی  بالاتری داشته باشند. این بدان معناست که می توان هوش مصنوعی بسیار دقیق تری را در تراشه ها قرار داد ، که برنامه ها را قادر می سازد با تلفن های هوشمند یا ساعت های هوشمند کار کنند که قبلاً این کار در فضای ابر انجام می شد.

اجرای هوش مصنوعی در دستگاه های محلی باعث می شود که برنامه ها از قدرت بیشتری برخوردار بوده و از نظر حریم خصوصی مناسب تر باشند ، زیرا از این رو دیگر نیازی به اتصال شبکه با ابر نیست. حریم خصوصی بیشتر است زیرا داده ها می توانند به صورت محلی ذخیره و پردازش شوند.

موفقیت ریاضی توسط محققان Centrum Wiskunde & Informatica (CWI) ، مرکز ملی تحقیقات ریاضی و علوم کامپیوتر هلند ، همراه با مرکز تحقیقات IMEC / Holst از آیندهوون ، هلند حاصل شده است. نتایج در مقاله ای توسط بوجیان یین ، فدریکو کورادی و سندر ام. بوهته منتشر شده است. الگوریتم های ریاضی اساسی منبع باز در دسترس قرار گرفته اند.

تحت نظارت یک محقق CWI و استاد عصب شناختی شناختی سندر بوهته ، محققان یک الگوریتم یادگیری برای شبکه های عصبی به اصطلاح spiking ایجاد کردند. چنین شبکه هایی مدتی وجود داشته است ، اما اداره آنها از منظر ریاضیات و عملی کردن آنها تاکنون دشواربوده است. الگوریتم جدید از دو منظر پیشگامانه است: نورونهای شبکه نیاز به برقراری ارتباط بسیار کمتری دارند و هر نورون مجبور است محاسبات کمتری را انجام دهد.

سندر بوهته ، محقق اصلی ، می گوید: “ترکیب این دو پیشرفت باعث می شود الگوریتم های هوش مصنوعی هزار برابر در مقایسه با شبکه های عصبی استاندارد و بازده انرژی بیشتر از پیشرفته ترین شبکه های عصبی فعلی باشند.”

با الهام از مغز انسان

الهام و انگیزه Bohté از طریق روش فوق العاده کارآمد انرژی که مغز انسان اطلاعات را پردازش می کند (20 وات) ناشی می شود. رایانه هایی که از شبکه های عصبی مغز تقلید می کنند ، در سال های اخیر برنامه های شگفت انگیزی را تولید کرده اند – از تشخیص تصویر ، تشخیص گفتار ، ترجمه خودکار گرفته تا تشخیص های پزشکی – اما تا یک میلیون برابر انرژی مغز انسان را نیاز دارند.

شبکه های عصبی پرپیچ و خم توسعه یافته توسط Bohté و تیم تحقیقاتی او با آنهایی که قبلاً در برنامه های هوش مصنوعی ادغام شده اند متفاوت است. “ارتباط بین نورون ها در شبکه های عصبی کلاسیک از منظر ریاضی پیوسته و آسان است. نورون های سنبله دار بیشتر شبیه مغز انسان هستند و فقط با پالس های کوتاه و ناچیز ارتباط برقرار می کنند. اما این بدان معناست که سیگنال ها ناپیوسته و بسیار دشوارتر هستند. “

نوع جدید تراشه رایانه

برای اجرای کارآمد شبکه های عصبی spiking در دنیای واقعی ، نوع جدیدی از تراشه ها مورد نیاز است. Bohté می گوید که نمونه های اولیه در حال تولید هستند. “انواع شرکتها برای تحقق این امر سخت تلاش می کنند ، مانند شریک پروژه ما  درIMEC / مرکز هولست.”

روشهای Bohté می توانند شبکه های عصبی خوشه ای متشکل از حداکثر چند هزار نورون ، کمتر از شبکه های عصبی کلاسیک معمولی را آموزش دهند ، اما برای بسیاری از برنامه ها مانند تشخیص گفتار ، طبقه بندی ECG و تشخیص حرکات کافی است. چالش بعدی افزایش مقیاس این شبکه ها تا 100000 یا یک میلیون نورون خواهد بود ، که امکانات کاربردی را حتی بیشتر گسترش می دهد.

https://techxplore.com

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

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