Hvordan myrer, bier, og frugtfluer kan være den næste store sus inden for kunstig intelligens

Plads. Den sidste grænse. Og den 2. november, 2018, NASAs Voyager 2 -rumfartøj krydsede ind i det store interstellare rum, efter Voyager 1, som gjorde springet seks år tidligere. Siden lanceringen i 1977, de to sonder har tilbagelagt mere end 11 milliarder miles over solsystemet, varer meget længere end forskerne havde regnet med.

Drives af plutonium og tegner 400 watt strøm hver til at køre deres elektronik og varme, sonderne snapper stadig fotos og sender dem tilbage til NASA. Efter 42 år, selvom, kun seks af Voyager 2s 10 instrumenter fungerer stadig, og NASA -forskere forventer, at sonden vil blive mørk i 2025, godt før det forlader vores solsystem.

Men hvad hvis Voyager 2 kun havde brug for et par watt strøm? Kan den overleve længe nok til at fortsætte sine udforskninger langt ud i fremtiden?

Det er den slags spørgsmål, forskere stiller ved US Department of Energy's (DOE) Argonne National Laboratory. Her, Angel Yanguas-Gil, vigtigste materialeforsker i divisionen Applied Materials, leder et tværfagligt team, der gentænker designet af computerchips for ikke kun at præstere og tilpasse sig bedre, men for at gøre det ved hjælp af en lille mængde strøm - omkring en watt.

Til inspiration, holdet ser på insekternes hjerner, såsom myrer, bier, og frugtfluer - som tilbyder en ny grænse inden for en type kunstig intelligens kendt som neuromorf computing. Det, de har fundet, kunne vende kunstig intelligens på dets kunstige hoved.

Inspireret af biologi, teamets nyligt designede computerchips, der er afhængige af nye tegninger og materialer, kan omgå "skyen" for at lære i farten, spare radikalt på strøm og tilpasse sig ekstreme miljøer, f.eks. dybt rum og radioaktive områder - alt imens de leverer pålidelige, nøjagtige resultater.

Den bløde underliv af kunstig intelligens

Kunstig intelligens gennemsyrer vores liv, giver utallige fordele såsom at drive stemmeaktiverede digitale assistenter, vejledning af selvkørende biler, genkender vores ansigter, og hjælper os med automatisk at svare på tekster og e -mails. AI, imidlertid, har nogle begrænsninger:den er afhængig af datamængder og stadig hurtigere hardware-som den altid skal være forbundet til-kræver stor kraft og har begrænset fleksibilitet.

Hvordan er kunstig intelligens ufleksibel? Svaret ligger i, hvordan en populær form for AI, kaldet et neuralt netværk, opdager meningsfulde arrangementer i data. De fleste neurale netværk, som afdækker mønstre og relationer i data uden eksplicit programmering, er statiske, designet til en bestemt opgave, såsom genkendelse af billeder. Når et netværk har lært den opgave, den kan ikke skifte gear og begynde at køre bil.

"Scenen ændrer sig, fordelingen af ​​data er lidt anderledes end før, og det du lærte, gælder ikke længere, "forklarede Sandeep Madireddy, en datalog i Argonne's afdeling for matematik og datalogi (MCS), der har sluttet sig til Yanguas-Gils team.

Insekter, på den anden side, er alsidige og kan løse problemer på forskellige måder, sagde Yanguas-Gil.

"I et biologisk system, netværket kan lære af sig selv og tilbyder en meget højere grad af fleksibilitet, "sagde han." Evolutionært pres på insekter producerer meget effektiv, adaptive computermaskiner. Bier, for eksempel, udviser halvdelen af ​​antallet af forskellige kognitive adfærd hos delfiner, bare i et meget mindre volumen. "

Præcis under pres

For at bevise dette punkt, Yanguas-Gil og Argonne kemikere Jeff Elam og Anil Mane designet og simulerede en ny neuromorf chip inspireret af biernes lille struktur, frugtfluer og myrer. Teamet skabte et netværk fra bunden, der indeholder to centrale opdagelser:

• Dynamiske filtre og vægte, der ændrer styrken af ​​forskellige neurale forbindelser, afhængigt af hvad systemet finder vigtigt i realtid.
• Wolfram -aluminiumoxid, et prisvindende nanokompositmateriale skabt af Elam og Mane, hvilket ville tillade chippen at fungere ved effektniveauer langt under et watt. (Derimod grafiske behandlingsenheder [GPU’er], baseret på konventionel silicium halvlederbehandling, kan forbruge 100 watt eller mere pr. chip.)

Test af det nye chipdesign afslørede, at det var lige så præcist som standarddesignet, men den lærte meget hurtigere og bevarede sin nøjagtighed - selv under 60 procent fejlfrekvenser i sin interne drift.

"Med neurale netværk, fejlprocent på 20 procent ødelægger systemets nøjagtighed, "sagde Yanguas-Gil." Vores system kan tåle meget højere fejlrater og opretholde den samme nøjagtighed som et perfekt system. Dette gør den til en god kandidat til maskiner, der bruger 30 år i rummet. "

Med disse resultater, holdet vandt prisen for bedste papir i august på 2019 Institute of Electrical and Electronics Engineers (IEEE) Computer Society's Space Computing Conference.

Opbygning af bikube -sindet

Efter at hans team udviklede blueprint for den neuromorfe chip, Yanguas-Gil fik Madireddy og Prasanna Balaprakash, også en datalog i laboratoriets MCS -afdeling, og trykkede på Argonnes kraftfulde computerværktøjer for at maksimere dens ydeevne.

Ved hjælp af Theta -supercomputeren på Argonne Leadership Computing Facility - en DOE Office of Science User Facility - kørte duoen den neuromorfe plan gennem en softwarepakke, de udviklede kaldet DeepHyper, som udfører automatiseret maskinlæring til neurale netværk. DeepHyper tester tusinder af forskellige insekthjernekonfigurationer, generere bedre variationer, indtil den identificerer den rigtige til en bestemt opgave.

Med hvert sæt konfigurationer, DeepHyper lærer - at evaluere og derefter generere det næste konfigurationssæt baseret på, hvad det har set. "Det fungerer på samme måde som mennesker lærer at spille et spil, "sagde Balaprakash." Du spiller, får du en score, og derefter - baseret på feedback og dine fejl - bliver du langsomt bedre og bedre. "

I et produktionsscenarie, al denne læring vil blive kodet på den neuromorfe chip, og chippen selv vil være i stand til at tilpasse sig, skifte gear for at løse hver opgavetype.

Sådan ændres spillet

Disse fremskridt er kun begyndelsen. Når Yanguas-Gil og hans team afslører det bedst effektive chipdesign, de skal blive enige om dens bedste anvendelser. Heldigvis, der ser ud til at være uendelig efterspørgsel efter en chip, der kombinerer computerintelligens - lige hvor det er nødvendigt - med lave strømkrav.

Hvad hvis, for eksempel, forskere kunne placere laveffektfølere i nationale skove for at fungere som en advarsel om naturbrande?

Både Yanguas-Gil og Balaprakash peger også på byområder, hvor chippen kan overvåge for potentielle farlige kemikalier. Argonne, i partnerskab med University of Chicago og Chicago City, har allerede installeret 120 smarte sanseapparater rundt i byen for at måle faktorer som luftkvalitet, trafik og klima-et National Science Foundation-finansieret projekt kendt som Array of Things.

Disse smarte enheder bruger Argonnes Waggle -teknologiplatform, som omfatter fjernprogrammerbare højtydende computerenheder, så AI -funktioner kan integreres i sensorerne. På denne måde, for eksempel, billedanalyse kan give indsigt i mængden og karakteren af ​​gadeaktiviteter og endda menneskelige interaktioner. I egentlig forstand, disse enheder kan bruge AI -teknikker til at "lære" om deres miljøer for at opdage nye eller usædvanlige begivenheder eller mønstre.

"Tænk, hvis disse sensorer kunne lære i realtid og opdage giftig gas?" spurgte Balaprakash.

I teorien, Yanguas-Gil er enig i, at neuromorfe chips kunne fungere som massespektrometre for i realtid at lære at genkende forskellige molekylfragmenter uden at blive eksplicit programmeret. "Det ville være en game changer, " han sagde.