Spiking-værktøjet forbedrer kunstigt intelligente enheder

Hårnesten, et softwareværktøj, der skærper outputtet af kunstige neuroner, har gjort det muligt for neurale computernetværk at behandle information op til hundrede gange mere effektivt end den nuværende industristandard, siger Sandia National Laboratories forskere, der udviklede det.

Den passende navngivne software, hvilket i høj grad reducerer mængden af ​​kredsløb, der er nødvendige for at udføre autonome opgaver, forventes at øge indtrængen af ​​kunstig intelligens på markederne for mobiltelefoner, selvkørende biler og automatiseret fortolkning af billeder.

"I stedet for at sende endeløse energidriblinger af information ud, "Sandia neuroforsker Brad Aimone sagde, "kunstige neuroner trænet af Whetstone frigiver energi i pigge, meget ligesom menneskelige neuroner gør."

De største kunstig intelligens-virksomheder har produceret spidsværktøjer til deres egne produkter, men ingen er så hurtige eller effektive som Whetstone, siger Sandia-matematiker William Severa. "Store virksomheder er opmærksomme på denne proces og har bygget lignende systemer, men ofte fungerer deres kun til deres egne designs. Whetstone vil fungere på mange neurale platforme."

Open source-koden blev for nylig omtalt i en teknisk artikel i Nature Machine Intelligence og er blevet foreslået af Sandia til patent.

Sådan skærpes neuroner

Kunstige neuroner er dybest set kondensatorer, der absorberer og summerer elektriske ladninger, som de derefter frigiver i små byger af elektricitet. Computerchips, kaldet "neuromorfe systemer, " samle neurale netværk i store grupperinger, der efterligner den menneskelige hjerne ved at sende elektriske stimuli til neuroner, der affyrer i ingen forudsigelig rækkefølge. Dette står i kontrast til en mere låse-trins procedure, der bruges af stationære computere med deres forudindstillede elektroniske processer.

På grund af deres tilfældige affyring, neuromorfe systemer er ofte langsommere end konventionelle computere, men kræver også langt mindre energi for at fungere. De kræver også en anden tilgang til programmering, fordi ellers deres kunstige neuroner fyrer for ofte eller ikke ofte nok, hvilket har været et problem med at bringe dem online kommercielt.

Hårnesten, som fungerer som en supplerende computerkode knyttet til mere konventionelle softwaretræningsprogrammer, træner og skærper kunstige neuroner ved at udnytte dem, der kun stiger, når en tilstrækkelig mængde energi – læs, oplysninger - er blevet indsamlet. Uddannelsen har vist sig effektiv til at forbedre standard neurale netværk og er i gang med at blive evalueret for den nye teknologi af neuromorfe systemer.

Catherine Schuman, en neural netværksforsker ved Oak Ridge National Laboratories, sagde, "Whetstone er et vigtigt værktøj for det neuromorfe samfund. Det giver en standardiseret måde at træne traditionelle neurale netværk på, der er tilgængelige for udrulning på neuromorfe systemer, som tidligere var blevet gjort ad hoc."

Den strenge lærer

Whetstone processen, Aimone sagde, kan visualiseres som at kontrollere en klasse af snakkesalige folkeskoleelever, der har til opgave at identificere en genstand på deres lærers skrivebord. Før Whetstone, eleverne sendte en kontinuerlig strøm af sensorinput til deres tidligere overvældede lærer, der skulle lytte til det hele - hver bump og fnis, så at sige - før man sender en beslutning ind i nervesystemet. Denne enorme mængde information kræver ofte cloud-baseret beregning at behandle, eller tilføjelse af mere lokalt computerudstyr kombineret med en kraftig stigning i elektrisk effekt. Begge muligheder øger tiden og omkostningerne ved kommercielle kunstig intelligens-produkter, mindske deres sikkerhed og privatliv og gøre deres accept mindre sandsynlig.

Under Whetstone, deres nyligt strenge lærer er kun opmærksom på en simpel "ja" eller "nej" måling af hver elev - når de rækker hænderne op med en løsning, snarere end til alt, hvad de siger. Formode, for eksempel, hensigten er at identificere, om et stykke grøn frugt på lærerens skrivebord er et æble. Hver elev er en sensor, der kan reagere på en anden kvalitet af det, der kan være et æble:Har det den korrekte lugtkvalitet, smag, tekstur og så videre? Og mens den studerende, der kigger efter rødt, kan stemme "nej", ville den anden elev, der søger grønt, stemme "ja". Når antallet af svar, enten ja eller nej, er elektrisk høj nok til at udløse neurons evne til at affyre, det enkle resultat, i stedet for uendelig ævl, kommer ind i det overordnede neurale system.

Mens Whetstone-forenklinger potentielt kan øge fejl, det overvældende antal af deltagende neuroner - ofte over en million - giver information, der statistisk kompenserer for de unøjagtigheder, som dataforenklingen introducerede, Severa sagde, ansvarlig for programmets matematik.

"At kombinere alt for detaljeret intern information med det enorme antal neuroner, der rapporterer ind, er en slags dobbeltbooking, " siger han. "Det er unødvendigt. Vores resultater fortæller os, at den klassiske måde – at beregne alt uden at forenkle – er spild. Derfor kan vi spare energi og gøre det godt.«

Patchede programmer fungerer bedst

Softwareprogrammet fungerer bedst, når det er lappet ind i programmer, der er beregnet til at træne nyt kunstig intelligens-udstyr, så Whetstone behøver ikke at overvinde indlærte mønstre med allerede etablerede energiminimum.