Los imanes pueden ayudar a la IA a acercarse a la eficiencia del cerebro humano



Los investigadores de la Universidad de Purdue han desarrollado un proceso para usar magnéticos con redes similares a las del cerebro para programar y enseñar dispositivos para generalizar mejor sobre diferentes objetos.
Crédito: Kaushik Roy / Universidad Purdue
Las computadoras y la inteligencia artificial continúan introduciendo cambios importantes en la forma en que las personas compran. Es relativamente fácil entrenar el cerebro de un robot para crear una lista de compras, pero ¿qué hay de garantizar que el comprador robótico pueda distinguir fácilmente la diferencia entre los miles de productos en la tienda?
Investigadores de la Universidad de Purdue y expertos en computación inspirada en el cerebro piensan que parte de la respuesta puede encontrarse en los imanes. Los investigadores han desarrollado un proceso para utilizar magnéticos con redes similares a las de un cerebro para programar y enseñar dispositivos como robots personales, automóviles y drones automáticos para generalizar mejor sobre diferentes objetos.
"Nuestras redes neuronales estocásticas intentan imitar ciertas actividades del cerebro humano y se computan a través de una conexión de neuronas y sinapsis", dijo Kaushik Roy, Edward G. Tiedemann Jr., profesor de Ingeniería Eléctrica e Informática de Purdue. "Esto le permite al cerebro de la computadora no solo almacenar información, sino también generalizar bien sobre los objetos y luego hacer inferencias para tener un mejor desempeño en la distinción entre objetos".
Roy presentó la tecnología durante la conferencia anual alemana de ciencias físicas a principios de este mes en Alemania. La obra también apareció en las fronteras en neurociencia .
La dinámica de conmutación de un nanoimán es similar a la dinámica eléctrica de las neuronas. Los dispositivos de unión de túnel magnético muestran un comportamiento de conmutación, que es de naturaleza estocástica.
El comportamiento de cambio estocástico es representativo de un comportamiento de cambio sigmoideo de una neurona. Dichas uniones de túnel magnético también se pueden utilizar para almacenar pesos sinápticos.
El grupo de Purdue propuso un nuevo algoritmo de entrenamiento estocástico para las sinapsis que utilizan la plasticidad dependiente del tiempo de espiga (STDP), denominado Stochastic-STDP, que se ha observado experimentalmente en el hipocampo de la rata. El comportamiento estocástico inherente del imán se usó para cambiar estocásticamente los estados de magnetización basados ​​en el algoritmo propuesto para aprender diferentes representaciones de objetos.
Los pesos sinápticos entrenados, codificados determinísticamente en el estado de magnetización de los nanoimanes, se utilizan durante la inferencia. Ventajosamente, el uso de imanes de barrera de alta energía (30-40KT donde K es la constante de Boltzmann y T es la temperatura de operación) no solo permite primitivas estocásticas compactas, sino que también permite el uso del mismo dispositivo como un elemento de memoria estable que cumple con los datos requisito de retención. Sin embargo, la altura de la barrera de los nanoimanes utilizados para realizar cálculos neuronales tipo sigmoide puede reducirse a 20 KT para una mayor eficiencia energética.
"La gran ventaja de la tecnología magnet que hemos desarrollado es que es muy eficiente en energía", dijo Roy, quien dirige el Centro de Inteligencia Inteligente Autónoma de Purdue. "Hemos creado una red más simple que representa las neuronas y las sinapsis al tiempo que comprimimos la cantidad de memoria y energía necesaria para realizar funciones similares a las de los cálculos cerebrales".
Roy dijo que las redes de tipo cerebro también tienen otros usos para resolver problemas difíciles, incluidos los problemas de optimización combinatoria, como el problema de los vendedores ambulantes y la coloración de gráficos. Los dispositivos estocásticos propuestos pueden actuar como "recocido natural", ayudando a los algoritmos a salir de los mínimos locales.
Su trabajo se alinea con la celebración de los saltos gigantes de Purdue, reconociendo los avances globales de la universidad en inteligencia artificial como parte del 150 aniversario de Purdue. Es uno de los cuatro temas del Festival de Ideas de la celebración de un año, diseñado para mostrar a Purdue como un centro intelectual que resuelve problemas del mundo real.
Roy ha trabajado con la Oficina de Comercialización de Tecnología de Purdue Research Foundation en tecnologías patentadas que proporcionan la base para algunas de las investigaciones en C-BRIC. Están buscando socios para licenciar la tecnología.
Fuente de la historia:
Materiales proporcionados por la Universidad de Purdue . Original escrito por Chris Adam. Nota: El contenido puede ser editado por estilo y longitud.

Referencia de la revista :
  1. Gopalakrishnan Srinivasan, Kaushik Roy. ReStoCNet: red neuronal de convección de convección binario estocástica residual para computación neuromórfica eficiente en memoria . Fronteras en neurociencia , 2019; 13 DOI: 10.3389 / fnins.2019.00189

Comentarios