3 мин. чтения
11/15/2023 11:57:17 AM

Экспериментальная мозговая вычислительная система более точная с помощью пользовательского алгоритма

Article Preview Image Технология новой платформы, смоделированная после того, как мозг состоит из запутанной сети проводов, содержащей серебро, проложенную на ложе электродов.Кредит: Сэм Лилак/UCLA

Экспериментальная вычислительная система, физически смоделированная после того, как биологический мозг «научился», чтобы идентифицировать рукописные числа с общей точностью 93,4%.Ключевым инновацией в эксперименте стал новый алгоритм обучения, который дал системе непрерывную информацию о ее успехе в задаче в режиме реального времени, пока она узнала.Исследование было опубликовано в Nature Communications.

Алгоритм превзошел обычный подход к машинному обучению, при котором обучение проводилось после того, как была обработана партия данных, что дает точность 91,4%.Исследователи также показали, что память о прошлых входах, хранящихся в самой системе, улучшенное обучение.Напротив, другие вычислительные подходы хранят память в программном обеспечении или аппаратном обеспечении отдельно от процессора устройства.

В течение 15 лет исследователи из Калифорнийского института наносистем в Калифорнийском университете в Калифорнийском университете в Калифорнийском университете или CNSI разрабатывают новую технологию платформы для вычислений.Технология представляет собой систему, вдохновленную мозгом, состоящую из запутанной сети проводов, содержащих серебро, проложенную на слое электродов.Система получает вход и производит выход с помощью импульсов электроэнергии.Индивидуальные провода настолько малы, что их диаметр измеряется на наноразмерном, в миллиардах метра.

«Крошечные серебряные мозги» сильно отличаются от современных компьютеров, которые содержат отдельные модули памяти и обработки, изготовленные из атомов, положения которых не изменяются, когда электроны протекают через них.Напротив, сеть нанопроволок физически перенастроет в ответ на стимул, с памятью, основанной на ее атомной структуре и распространяется по всей системе.Там, где провода перекрываются, соединения могут образовываться или ломаться - аналогично поведению синапсов в биологическом мозге, где нейроны общаются друг с другом.

Сотрудники в исследовании, в Университете Сиднея, разработали оптимизированный алгоритм для обеспечения ввода и интерпретации выводов.Алгоритм настроен на то, чтобы использовать мозговую способность системы динамически изменяться и обрабатывать несколько потоков данных одновременно.

Система, похожая на мозг, состояла из материала, содержащего серебро и селен, который позволил самоорганизоваться в сеть запутанных нанопроволоков поверх массива из 16 электродов.

Ученые обучали и протестировали сеть нанопроволок, используя изображения рукописных чисел, набор данных, созданный Национальным институтом стандартов и технологий, и часто используемых для систем методов обучения.Изображения были переданы системе пиксель за пикселем с использованием импульсов электричества, каждый из которых длится один тысяч секунды, с различными напряжениями, представляющими свет или темные пиксели.

Ожидается, что все еще в разработке, сеть нанопроволок потребует гораздо меньшей мощности, чем системы искусственного интеллекта на основе кремния для выполнения аналогичных задач.Сеть также показывает обещание в задачах, которые текущий ИИ пытается выполнить: понимание сложных данных, таких как паттерны в погоде, трафик и другие системы, которые меняются с течением времени.Для этого сегодняшнего ИИ требуется огромные объемы обучающих данных и чрезвычайно высокие энергетические расходы.

С типом совместного проектирования, используемого в этом исследовании-Hardware и программное обеспечение, разработанные в тандемных сетях, могут в конечном итоге выполнять дополнительную роль наряду с электронными устройствами на основе кремния.Мозговая память и обработка, встроенные в физические системы, способные к непрерывной адаптации и обучению, могут быть особенно хорошо подходят для так называемых «краевых вычислений», которые обрабатывают сложные данные на месте, не требуя связи с отдаленными серверами.

Потенциальное использование включает робототехнику, автономную навигацию в машинах, таких как транспортные средства и беспилотники, а также технологию интеллектуального устройства, которая составляет Интернет вещей, а также мониторинг здоровья и координацию измерений от датчиков в нескольких местах.

Больше информации: Ruomin Zhu et al., Онлайн -динамическое обучение и память последовательности с нейроморфными сетями нанопроволоков, Nature Communications (2023).Doi: 10.1038/s41467-023-42470-5

Получи бесплатную еженедельную рассылку со ссылками на репозитории и лонгриды самых интересных историй о стартапах 🚀, AI технологиях 👩‍💻 и программировании 💻!
Присоединяйся к тысячам читателей для получения одного еженедельного письма

Подписывайся на нас:

Нашли ошибку в тексте? Напишите нам.

Добавляй ЛРНЧ в свою ленту Google Новостей.
Читайте далее 📖

Использование звуковых волн для фотонного машинного обучения

4/17/2024 · 3 мин. чтения

Использование звуковых волн для фотонного машинного обучения

Вдохновленная бабочкой технологии ИИ для полетов

4/3/2024 · 3 мин. чтения

Вдохновленная бабочкой технологии ИИ для полетов