Η τεχνητή νοημοσύνη ξεπερνά τα εμπόδια χρησιμοποιώντας υλικό εμπνευσμένο από τον ανθρώπινο εγκέφαλο

Οι σημερινοί πιο επιτυχημένοι αλγόριθμοι τεχνητής νοημοσύνης, τα τεχνητά νευρωνικά δίκτυα, βασίζονται χαλαρά στους περίπλοκους ιστούς πραγματικών νευρωνικών δικτύων στον εγκέφαλό μας. Αλλά σε αντίθεση με τους εξαιρετικά αποδοτικούς εγκεφάλους μας, η εκτέλεση αυτών των αλγορίθμων σε υπολογιστές καταναλώνει μεγάλα ποσά ενέργειας. Τα μεγαλύτερα μοντέλα καταναλώνουν σχεδόν τόση ισχύ με πέντε αυτοκίνητα κατά τη διάρκεια της ζωής τους.

Γι'αυτό το λόγο αναπτύσσεται ο νευρομορφικός υπολογισμός, ένα πιο ταιριαστό μοντέλο με τις αρχές σχεδιασμού και τη φυσική του εγκεφάλου μας που θα μπορούσε να γίνει το μέλλον της τεχνητής νοημοσύνης, εξοικονομώντας ενέργεια. Αντί να μεταφέρουμε δεδομένα σε μεγάλες αποστάσεις μεταξύ μιας κεντρικής μονάδας επεξεργασίας και των τσιπ μνήμης, τα νευρομορφικά σχέδια μιμούνται την αρχιτεκτονική της μάζας που μοιάζει με ζελέ στα κεφάλια μας, με υπολογιστικές μονάδες (νευρώνες) τοποθετημένες δίπλα στη μνήμη (αποθηκευμένες στις συνάψεις που συνδέουν τους νευρώνες). Για να μοιάσουν περισσότερο με τον εγκέφαλο, οι ερευνητές συνδυάζουν νευρομορφικά τσιπ με αναλογικούς υπολογιστές, οι οποίοι μπορούν να επεξεργάζονται συνεχή σήματα, όπως ακριβώς οι πραγματικοί νευρώνες. Τα τσιπ που προκύπτουν διαφέρουν πολύ από την τρέχουσα αρχιτεκτονική και τον τρόπο υπολογισμού των υπολογιστών που χρησιμοποιούν μόνο ψηφιακούς υπολογιστές που βασίζονται σε δυαδική επεξεργασία σήματος 0 και 1.

Με οδηγό τον εγκέφαλο, τα νευρομορφικά τσιπ υπόσχονται μια μέρα να καταρρίψουν την κατανάλωση ενέργειας υπολογιστικών εργασιών βαρέων δεδομένων όπως η τεχνητή νοημοσύνη. Δυστυχώς, οι αλγόριθμοι τεχνητής νοημοσύνης δεν έχουν σωστή συνεργασία με τις αναλογικές εκδόσεις αυτών των τσιπ λόγω ενός προβλήματος που είναι γνωστό ως ασυμφωνία συσκευών: Στο τσιπ, μικροσκοπικά στοιχεία εντός των αναλογικών νευρώνων δεν ταιριάζουν σε μέγεθος λόγω της διαδικασίας κατασκευής. Επειδή τα μεμονωμένα τσιπ δεν είναι αρκετά εξελιγμένα για να εκτελέσουν τις πιο πρόσφατες διαδικασίες εκπαίδευσης, οι αλγόριθμοι πρέπει πρώτα να εκπαιδευτούν ψηφιακά σε υπολογιστές. Στη συνέχεια, όμως, όταν οι αλγόριθμοι μεταφέρονται στο τσιπ, η απόδοσή τους καταρρέει μόλις συναντήσουν την αναντιστοιχία στο αναλογικό υλικό.

Τώρα, μια εργασία που δημοσιεύτηκε τον περασμένο μήνα στο Proceedings of the National Academy of Sciences αποκάλυψε επιτέλους έναν τρόπο να παρακάμψει αυτό το πρόβλημα. Μια ομάδα ερευνητών με επικεφαλής τον Friedemann Zenke στο Ινστιτούτο Βιοϊατρικής Έρευνας Friedrich Miescher και τον Johannes Schemmel στο Πανεπιστήμιο της Χαϊδελβέργης έδειξε ότι ένας αλγόριθμος τεχνητής νοημοσύνης γνωστός ως νευρωνικό δίκτυο - το οποίο χρησιμοποιεί το διακριτικό σήμα επικοινωνίας του εγκεφάλου, γνωστό ως ακίδα - θα μπορούσε εργαστείτε με το τσιπ για να μάθει πώς να αντισταθμίζει την αναντιστοιχία της αναλογικής συσκευής. Η εργασία είναι ένα σημαντικό βήμα προς τον αναλογικό νευρομορφικό υπολογισμό με AI.

«Το εκπληκτικό είναι ότι λειτούργησε τόσο καλά», είπε ο Sander Bohte, ειδικός σε νευρωνικά δίκτυα στο CWI, το εθνικό ερευνητικό ινστιτούτο για τα μαθηματικά και την επιστήμη των υπολογιστών στην Ολλανδία. "Είναι ένα πολύ επίτευγμα και πιθανότατα ένα σχέδιο για περισσότερα με αναλογικά νευρομορφικά συστήματα."

Η σημασία του αναλογικού υπολογισμού για τους υπολογιστές που βασίζονται στον εγκέφαλο είναι λεπτή. Ο ψηφιακός υπολογιστής μπορεί να αντιπροσωπεύει αποτελεσματικά μια δυαδική πτυχή του σήματος ακίδας του εγκεφάλου, μια ηλεκτρική ώθηση που εκτοξεύεται μέσω ενός νευρώνα σαν κεραυνός. Όπως συμβαίνει με ένα δυαδικό ψηφιακό σήμα, είτε η ακίδα αποστέλλεται είτε όχι. Αλλά οι αιχμές αποστέλλονται με την πάροδο του χρόνου συνεχώς - το οποίο στην ουσία είναι ένα αναλογικό σήμα - και ο τρόπος με τον οποίο οι νευρώνες μας αποφασίζουν να στείλουν μια ακίδα είναι επίσης συνεχής, με βάση μια ηλεκτρική τάση μέσα στο κελί που αλλάζει με την πάροδο του χρόνου. (Όταν η τάση φτάσει σε ένα συγκεκριμένο όριο σε σύγκριση με την τάση έξω από την κυψέλη, ο νευρώνας στέλνει μια ακίδα.)

«Στην αναλογικότητα βρίσκεται η ομορφιά των βασικών υπολογισμών του εγκεφάλου. Η μίμηση αυτής της βασικής πτυχής του εγκεφάλου είναι ένας από τους κύριους μοχλούς του νευρομορφικού υπολογισμού», δήλωσε η Charlotte Frenkel, ερευνήτρια νευρομορφικής μηχανικής στο Πανεπιστήμιο της Ζυρίχης και στο ETH Zurich.