به سوی نسل جدید محاسبات نورومورفیک

تاریخ : ۱۵ اردیبهشت ۱۴۰۰

تعداد بازدید : ۶۷۹

0 امتیاز از 0 رای
نسخه چاپی
موضوعات :

محققان IBM و ETH زوریخ در زمینه ترکیب دانش در حوزه مغز و اعصاب فیزیولوژیک با هوش ماشینی به پیشرفت‌هایی دست پیدا کرده‌اند که به توسعه نسل جدید محاسبات نورومورفیک کمک می‌کند.

نتایج کار آنها منجر به توسعه یک بهینه ساز جدید هوش مصنوعی شده که  از مغز انسان  الهام گرفته شده است.  این فناوری برای شبکه‌های عصبی مصنوعی (ANN) و سنبله دار (SNNs) قابل استفاده است.

 

در تقریباً 80 سال گذشته، شبکه های عصبی مصنوعی پیشرفت عظیمی در مسیر تقلید عملکرد مغز پستانداران داشته‌اند. اگرچه سیستم‌های امروزی در بسیاری از وظایف از انسان‌ها پیشی گرفته اند، اما شکاف‌های اساسی عملکردی همچنان باقی است. شبکه های عصبی مصنوعی در واقع یک ساده‌سازی از روی مدارهای عصبی مغز انسان است و به همین دلیل فاقد بسیاری از عملکردهای مهم مغز انسان هستند.

 

پیشرفت تحقیقات در این زمینه برای رفع شکاف بین عملکرد شبکه های مصنوعی و هوش انسان کلیدی است. در یک مطالعه جدید، تیمی از IBM و ETH زوریخ گام‌های مهمی در مسیر ترکیب دیدگاه‌های نروفیزیولوژیکی با هوش ماشین برداشته‌اند.

 

ادغام سیناپسی فرآیندی است که طی آن سلول‌های عصبی در سیستم عصبی مرکزی هزاران ورودی سیناپسی دریافتی را با خروجی تکانه‌های عصبی ادغام می‌کنند. کارهای قبلی حاکی از آن است که توانایی‌های محاسباتی قدرتمند سلول‌های عصبی از این پویایی غیرخطی پیچیده ناشی می شود. گره‌های ANN مانند مغز انسان، ورودی های زیادی دریافت می کنند و یک خروجی تولید می کنند، اما این گره‌ها در مرحله آموزش، فاقد مکانیسم توزیع وزن هستند.

 

انعطاف‌پذیری سیناپسی در مغز عمدتا توسط سیگنال‌های منطقه‌ای هدایت می‌شود. این برهمکنش منطقه‌ای بین سیناپس‌ها نقش مهمی در تنظیم تغییرات وزن در حین یادگیری دارند. با این وجود آموزش ANNهای استاندارد به جای اطلاعات منطقه‌ای، به سیگنال های جهانی متکی است که ظرفیت یادگیری نسبی ANN را تضعیف می کند.

 

 

بهینه ساز یادگیری عمیق GRAPESاز مکانیسم‌های زیستی الهام گرفته شده و برای تقویت آموزش شبکه‌های عصبی کاملاً متصل (FCNN) طراحی شده است. همچنین می‌تواند به راحتی در مدل های عصبی زیستی مانند شبکه‌های عصبی سنبله (SNNs) اعمال شود.

 

این الگوریتم GRAPES سیگنال خطا را در هر وزن سیناپسی براساس اهمیت گره و عامل تلفیق منطقه‌ای، تعدیل می‌کند. با در دست داشتن این مقادیر، محققان می تواند سیگنال خطا را با ماتریس مدولاسیون منطقه‌ای تنظیم کنند.

 

این تیم چندین آزمایش برای بررسی مزایای GRAPES در آموزش ANN انجام دادند که نتایج مثبت و امیدوارکننده‌ای به دست آمد.

 

این مطالعه یک مفهوم جدید از اهمیت گره را نشان داده، در حالی که GRAPES یک راهبرد ساده و کارآمد را برای تنظیم پویای سیگنال‌های خطا در هر گره ارائه می دهد، که در بهبود عملکرد مفید است.

 

منبع : https://syncedreview.com/2021/04/29/deepmind-podracer-tpu-based-rl-frameworks-deliver-exceptional-performance-at-low-cost-8/

نظر شما