reklama
reklama
reklama
reklama
reklama
reklama
reklama
reklama
© alexander fediachov dreamstime.com Technologie | 04 stycznia 2016

Nowatorski przepis na sztuczną inteligencję

Sztuczne sieci neuronowe od firmy BrainChip wyróżniają się na tle podobnych rozwiązań obecnych na rynku. Nie potrzebują do prawidłowego działania jednostek CPU i charakteryzują się wyjątkowo dużą szybkością przetwarzania informacji.
Sztuczne sieci neuronowe (ANNs - Artificial Neural Networks) to elektroniczne odpowiedniki prawdziwych sieci nerwowych, struktur budujących ludzki mózg. W uproszczony sposób naśladują one funkcjonowanie tych złożonych biologicznych sieci, sprowadzając proces poznawczy do sumowania sygnałów elektrycznych o pewnych nadanych wagach oraz porównywania danych funkcji matematycznych w poszczególnych komórkach (neuronach) sieci – w ten sposób są w stanie rozpoznać i odróżnić od siebie dwa różne zbiory wartości liczbowych, tak samo jak ludzki mózg może odróżnić od siebie dwie różne barwy. Sztuczne sieci neuronowe posiadają umiejętność samodzielnego uczenia się na podstawie pewnych specyficznych zbiorów danych (zwanych zbiorami uczącymi), a tym samym są realizacją sztucznej inteligencji.

Firma BrainChip zajmuje się rozwojem technologii sztucznych sieci neuronowych SNAP (Spiking Neuron Adaptive Processor). Tym, co odróżnia BrainChip od innych czołowych przedstawicieli tej samej gałęzi rynku, jest opracowywanie swoich rozwiązań jedynie na poziomie hardware'owym - sieci wynalezione przez prezesa i dyrektora technicznego firmy BrainChip, Petera Van Der Made’a, nie potrzebują do prawidłowego działania i uczenia się typowego oprogramowania komputerowego. Nie występuje tutaj tradycyjny rdzeń CPU. Nie ma też programu ani żadnego kodu, są one zastąpione procesem uczenia i ćwiczenia sieci. Sztuczne neurony od BrainChip uczą się poprzez proces zwany STDP (Synaptic Time Dependent Plasticity). W sieciach biologicznych proces STDP polega na wzmocnieniu działania połączeń, w których statystycznie impuls presynaptyczny pojawia się najczęściej na chwilę przed wystąpieniem w neuronie potencjału postsynaptycznego, natomiast połączenia, w których impulsy przychodzące pojawiają się po wzbudzeniu postsynaptycznym neuronu, są osłabiane. W elektronice proces ten jest realizowany poprzez nadawanie wag impulsom pochodzącym od poszczególnych synaps. Uczenie się cyfrowego neuronu następuje w wyniku wystąpienia sygnału wejściowego o dużej intensywności lub na skutek powtarzania impulsu przez pętlę sprzężenia zwrotnego, co upodabnia zachowanie sztucznego neuronu do procesu poznawczego prawdziwego mózgu.



Działaniem standardowych sieci ANNs kieruje komputer – procesor wykonuje program, który definiuje taką sieć. Ponieważ procesor może przetwarzać informacje w porcjach 16-, 32- albo 64-bitowych, przetwarzanie odbywa się sekwencyjnie, co jest przyczyną powstawania znacznego opóźnienia, wzrastającego liniowo wraz z rozmiarami sieci. Neurony od BrainChip składają się całkowicie z binarnych bramek logicznych. Są połączone równolegle, dlatego wydajność sieci nie jest uzależniona od jej wielkości, ponieważ wiele sygnałów może być przetwarzanych równocześnie. To rozwiązanie pozwala zatem na osiągnięcie o kilka rzędów wyższych prędkości przetwarzania informacji i uczenia się w procesie STDP poszczególnych neuronów. Sieci neuronowe BrainChip charakteryzują się przy tym wyjątkowo niskim poborem mocy.

Liczba neuronów i synaps użytych w procesie RTL (Real-Time-Learning) jest konfigurowalna. Na pojedynczej matrycy mogą zostać umieszczone tysiące neuronów i miliony synaps. Sztuczne neurony zachowują się jak te biologiczne, mają po kilka trybów i różnych dynamik wyładowań czasowo integrujących działanie synaps. Neurony i synapsy od BrainChip nie są multipleksowane, w przeciwieństwie do stosowania takich rozwiązań w projektach sieci takich jak TrueNorth (od IBM). Dzięki temu sieci BrainChip są tysiące razy szybsze oraz możliwe jest stosowanie pamięci rozproszonych w procesie uczenia STDP, umiejscawianych w synapsach sieci. Model SNAP64 jest w stanie uaktualniać dane z ogromną prędkością – implementacje FPGA osiągają szybkość 4000 000 aktualizacji w ciągu sekundy.

Implementacja układu SNAP64 jest całkowicie cyfrowa, pomimo że impulsy są asynchroniczne, rozproszone czasowo i przestrzennie. SNAP64 RTL osadzono na płycie FPGA od Dini Group La Jolla Inc. z licznymi układami Xilinx FPGA zawierającymi po 20 milionów bramek. Układ jest całkowicie konfigurowalny. Typ oraz waga neuroprzekaźnika, neuromodulatory, połączenia synaptyczne czy typy neuronów mogą być dostosowywane przez interfejs mikroprocesora. Alternatywnie, te parametry mogą być też ustawiane w procesie RTL dla danej struktury sieci. Obecnie synapsy mają szerokość 18 bitów, ale w sieci występują tysiące synaps odprowadzających ładunki tworzące potencjał membranowy neuronu. Integrator w dendrytach ma 22 bity szerokości, integrator ciała neuronu 24 bity szerokości. Jednakże wszystkie te wymiary mogą być również konfigurowalne w procesie RTL, jeśli wymagana będzie wyższa lub niższa rozdzielczość napięciowa. Do komunikacji zewnętrznej z komputerem, SNAP64 będzie potrzebować danych w postaci wartości liczbowych. Z tego powodu do sieci włączono neurony czuciowe, których danymi wejściowymi są wartości, a wyjściowymi impulsy, a także neurony motoryczne, których danymi wejściowymi są impulsy, natomiast danymi wyjściowymi wartości.


Wykres zależności wydajności sieci od jej wielkości w sieciach BrainChip (stała wydajność) oraz w sieciach definiowanych przez program komputerowy.


Technologia od BrainChip może być wykorzystana w zastosowaniach takich jak rozpoznawanie mowy (a także mówcy), czy ekstrakcja określonych dźwięków z hałaśliwego, zakłócanego tła. Inne eksperymenty pokazują, że to rozwiązanie może być z powodzeniem użyte do rozpoznawania obrazów, czy autonomicznego uczeniu się różnego rodzaju maszyn, może być także wykorzystane w robotyce, a także w pojazdach bezzałogowych. Trwające prace nad rozwojem tej technologii, skupiają się na komercjalizacji kluczowych zastosowań, które zostały uznane za priorytetowe po konsultacjach z potencjalnymi partnerami technologicznymi z Kalifornii. Podstawą dla pierwszego stopnia rozwoju technologii jest dostosowanie jej do wymagań tych firm – w związku z tym wydział inżynieryjny BrainChip poświęca szczególną uwagę użyciu sieci w dziedzinach takich jak: IoT, robotyka czy też smartfony.

© BrainChip
reklama
reklama
Załaduj więcej newsów
December 08 2016 23:17 V7.6.3-1