Cote, uno strumento software che affina l'output dei neuroni artificiali, ha consentito alle reti informatiche neurali di elaborare le informazioni fino a cento volte in modo più efficiente rispetto all'attuale standard di settore, dicono i ricercatori dei Sandia National Laboratories che lo hanno sviluppato.

Il software giustamente chiamato, che riduce notevolmente la quantità di circuiti necessari per eseguire attività autonome, si prevede che aumenterà la penetrazione dell'intelligenza artificiale nei mercati dei telefoni cellulari, auto a guida autonoma e interpretazione automatizzata delle immagini.

"Invece di inviare infiniti dribbling energetici di informazioni, Il neuroscienziato di Sandia Brad Aimone ha detto:"I neuroni artificiali allenati da Whetstone rilasciano energia in picchi, proprio come fanno i neuroni umani."

Le più grandi aziende di intelligenza artificiale hanno prodotto strumenti di spiking per i propri prodotti, ma nessuno è veloce o efficiente come Whetstone, dice il matematico di Sandia William Severa. "Le grandi aziende sono consapevoli di questo processo e hanno costruito sistemi simili, ma spesso i loro lavorano solo per i propri progetti. Whetstone funzionerà su molte piattaforme neurali".

Il codice open source è stato recentemente presentato in un articolo tecnico su Nature Machine Intelligence ed è stato proposto da Sandia per un brevetto.

Come affinare i neuroni

I neuroni artificiali sono fondamentalmente dei condensatori che assorbono e sommano le cariche elettriche che poi rilasciano in piccoli lampi di elettricità. Chip per computer, denominati "sistemi neuromorfici, " assemblare reti neurali in grandi gruppi che imitano il cervello umano inviando stimoli elettrici ai neuroni che si attivano in un ordine non prevedibile. Ciò contrasta con una procedura più "lock-step" utilizzata dai computer desktop con i loro processi elettronici preimpostati.

A causa del loro tiro casuale, i sistemi neuromorfici sono spesso più lenti dei computer convenzionali, ma richiedono anche molta meno energia per funzionare. Richiedono anche un approccio diverso alla programmazione perché altrimenti i loro neuroni artificiali si attivano troppo spesso o non abbastanza spesso, che è stato un problema nel portarli online commercialmente.

Cote, che funziona come un codice informatico supplementare applicato a programmi di formazione software più convenzionali, allena e affina i neuroni artificiali sfruttando quelli che si alzano solo quando una quantità sufficiente di energia:leggi, informazioni — sono state raccolte. La formazione si è dimostrata efficace nel migliorare le reti neurali standard ed è in corso di valutazione per la tecnologia emergente dei sistemi neuromorfici.

Caterina Schuman, un ricercatore di reti neurali presso gli Oak Ridge National Laboratories, disse, "Cote è uno strumento importante per la comunità neuromorfa. Fornisce un modo standardizzato per addestrare le reti neurali tradizionali che possono essere implementate su sistemi neuromorfici, che in precedenza era stato fatto in modo ad hoc".

L'insegnante severo

Il processo della pietra per affilare, Aimone ha detto, può essere visualizzato come il controllo di una classe di studenti loquaci delle scuole elementari che hanno il compito di identificare un oggetto sulla cattedra del loro insegnante. Prima di Whetstone, gli studenti hanno inviato un flusso continuo di input di sensori al loro insegnante precedentemente sopraffatto, che doveva ascoltarlo tutto, ogni sobbalzo e risatina, per così dire, prima di passare una decisione al sistema neurale. Questa enorme quantità di informazioni spesso richiede l'elaborazione basata su cloud per l'elaborazione, o l'aggiunta di più apparecchiature informatiche locali combinate con un forte aumento della potenza elettrica. Entrambe le opzioni aumentano il tempo e il costo dei prodotti commerciali di intelligenza artificiale, ridurre la loro sicurezza e privacy e rendere meno probabile la loro accettazione.

sotto cote, il loro nuovo insegnante severo presta attenzione solo a una semplice misurazione "sì" o "no" di ogni studente, quando alzano le mani con una soluzione, piuttosto che a tutto ciò che stanno dicendo. supponiamo, Per esempio, l'intento è quello di individuare se un frutto verde sulla cattedra è una mela. Ogni studente è un sensore che può rispondere a una diversa qualità di quella che potrebbe essere una mela:ha la corretta qualità dell'olfatto, gusto, consistenza e così via? E mentre lo studente che cerca il rosso potrebbe votare "no", l'altro studente che cerca il verde voterebbe "sì". Quando il numero di risposte, o si o no, è elettricamente sufficientemente alto da attivare la capacità del neurone di attivarsi, quel semplice risultato, invece di chiacchiere senza fine, entra nel sistema neurale generale.

Mentre le semplificazioni della pietra per affilare potrebbero potenzialmente aumentare gli errori, il numero schiacciante di neuroni partecipanti, spesso oltre un milione, fornisce informazioni che compensano statisticamente le imprecisioni introdotte dalla semplificazione dei dati, Severa ha detto, responsabile della matematica del programma.

"Combinare informazioni interne eccessivamente dettagliate con l'enorme numero di neuroni che riferiscono è una sorta di doppia prenotazione, " dice. "Non è necessario. I nostri risultati ci dicono che il modo classico, calcolare tutto senza semplificare, è uno spreco. Ecco perché possiamo risparmiare energia e farlo bene".

I programmi con patch funzionano meglio

Il programma software funziona meglio se collegato a programmi destinati ad addestrare nuove apparecchiature di intelligenza artificiale, quindi Whetstone non deve superare schemi appresi con minimi energetici già stabiliti.