En magnetisk personlighed, måske ikke. Men magneter kan hjælpe AI med at komme tættere på effektiviteten af ​​den menneskelige hjerne

Computere og kunstig intelligens fortsætter med at indlede store ændringer i den måde, folk handler på. Det er relativt nemt at træne en robots hjerne til at lave en indkøbsliste, men hvad med at sikre, at den robotiserede shopper nemt kan se forskel på de tusindvis af produkter i butikken?

Purdue University-forskere og eksperter i hjerne-inspireret databehandling mener, at en del af svaret kan findes i magneter. Forskerne har udviklet en proces til at bruge magnetik med hjernelignende netværk til at programmere og undervise enheder såsom personlige robotter, selvkørende biler og droner for bedre at generalisere om forskellige objekter.

"Vores stokastiske neurale netværk forsøger at efterligne visse aktiviteter i den menneskelige hjerne og beregne gennem en forbindelse af neuroner og synapser, " sagde Kaushik Roy, Purdues Edward G. Tiedemann Jr. Distinguished Professor of Electrical and Computer Engineering. "Dette gør det muligt for computerhjernen ikke kun at gemme information, men også at generalisere godt om objekter og derefter gøre slutninger for at præstere bedre til at skelne mellem objekter."

Roy præsenterede teknologien under den årlige German Physical Sciences-konference tidligere på måneden i Tyskland. Værket dukkede også op i Grænser i neurovidenskab .

Skiftdynamikken i en nanomagnet ligner den elektriske dynamik af neuroner. Magnetiske tunnelforbindelsesenheder viser koblingsadfærd, som er stokastisk af natur.

Den stokastiske skiftadfærd er repræsentativ for en sigmoid skiftadfærd af en neuron. Sådanne magnetiske tunnelforbindelser kan også bruges til at opbevare synaptiske vægte.

Purdue-gruppen foreslog en ny stokastisk træningsalgoritme for synapser ved hjælp af spike timing dependent plasticity (STDP), kaldet Stokastisk-STDP, som er blevet eksperimentelt observeret i rottens hippocampus. Den iboende stokastiske opførsel af magneten blev brugt til at skifte magnetiseringstilstandene stokastisk baseret på den foreslåede algoritme til at lære forskellige objektrepræsentationer.

De trænede synaptiske vægte, kodet deterministisk i nanomagneternes magnetiseringstilstand, bruges derefter under inferens. Med fordel, brug af højenergibarrieremagneter (30-40KT hvor K er Boltzmann-konstanten og T er driftstemperaturen) tillader ikke kun kompakte stokastiske primitiver, men gør det også muligt at bruge den samme enhed som et stabilt hukommelseselement, der opfylder datalagringskravet. Imidlertid, barrierehøjden af ​​de nanomagneter, der bruges til at udføre sigmoid-lignende neuronale beregninger, kan sænkes til 20KT for højere energieffektivitet.

"Den store fordel ved den magnetteknologi, vi har udviklet, er, at den er meget energieffektiv, " sagde Roy, der leder Purdue's Center for hjerne-inspireret computing muliggør autonom intelligens. "Vi har skabt et enklere netværk, der repræsenterer neuronerne og synapserne, mens vi komprimerer mængden af ​​hukommelse og energi, der er nødvendig for at udføre funktioner, der ligner hjerneberegninger."

Roy sagde, at de hjernelignende netværk også har andre anvendelser til at løse vanskelige problemer, inklusiv kombinatoriske optimeringsproblemer såsom rejsende sælgerproblem og graffarvning. De foreslåede stokastiske enheder kan fungere som "naturlig annealer", hjælper algoritmerne med at flytte ud af lokale minimaer.