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

Nowatorski przepis na sztuczn膮 inteligencj臋

Sztuczne sieci neuronowe od firmy BrainChip wyr贸偶niaj膮 si臋 na tle podobnych rozwi膮za艅 obecnych na rynku. Nie potrzebuj膮 do prawid艂owego dzia艂ania jednostek CPU i charakteryzuj膮 si臋 wyj膮tkowo du偶膮 szybko艣ci膮 przetwarzania informacji.
Sztuczne sieci neuronowe (ANNs - Artificial Neural Networks) to elektroniczne odpowiedniki prawdziwych sieci nerwowych, struktur buduj膮cych ludzki m贸zg. W uproszczony spos贸b na艣laduj膮 one funkcjonowanie tych z艂o偶onych biologicznych sieci, sprowadzaj膮c proces poznawczy do sumowania sygna艂贸w elektrycznych o pewnych nadanych wagach oraz por贸wnywania danych funkcji matematycznych w poszczeg贸lnych kom贸rkach (neuronach) sieci 鈥 w ten spos贸b s膮 w stanie rozpozna膰 i odr贸偶ni膰 od siebie dwa r贸偶ne zbiory warto艣ci liczbowych, tak samo jak ludzki m贸zg mo偶e odr贸偶ni膰 od siebie dwie r贸偶ne barwy. Sztuczne sieci neuronowe posiadaj膮 umiej臋tno艣膰 samodzielnego uczenia si臋 na podstawie pewnych specyficznych zbior贸w danych (zwanych zbiorami ucz膮cymi), a tym samym s膮 realizacj膮 sztucznej inteligencji.

Firma BrainChip zajmuje si臋 rozwojem technologii sztucznych sieci neuronowych SNAP (Spiking Neuron Adaptive Processor). Tym, co odr贸偶nia BrainChip od innych czo艂owych przedstawicieli tej samej ga艂臋zi rynku, jest opracowywanie swoich rozwi膮za艅 jedynie na poziomie hardware'owym - sieci wynalezione przez prezesa i dyrektora technicznego firmy BrainChip, Petera Van Der Made鈥檃, nie potrzebuj膮 do prawid艂owego dzia艂ania i uczenia si臋 typowego oprogramowania komputerowego. Nie wyst臋puje tutaj tradycyjny rdze艅 CPU. Nie ma te偶 programu ani 偶adnego kodu, s膮 one zast膮pione procesem uczenia i 膰wiczenia sieci. Sztuczne neurony od BrainChip ucz膮 si臋 poprzez proces zwany STDP (Synaptic Time Dependent Plasticity). W sieciach biologicznych proces STDP polega na wzmocnieniu dzia艂ania po艂膮cze艅, w kt贸rych statystycznie impuls presynaptyczny pojawia si臋 najcz臋艣ciej na chwil臋 przed wyst膮pieniem w neuronie potencja艂u postsynaptycznego, natomiast po艂膮czenia, w kt贸rych impulsy przychodz膮ce pojawiaj膮 si臋 po wzbudzeniu postsynaptycznym neuronu, s膮 os艂abiane. W elektronice proces ten jest realizowany poprzez nadawanie wag impulsom pochodz膮cym od poszczeg贸lnych synaps. Uczenie si臋 cyfrowego neuronu nast臋puje w wyniku wyst膮pienia sygna艂u wej艣ciowego o du偶ej intensywno艣ci lub na skutek powtarzania impulsu przez p臋tl臋 sprz臋偶enia zwrotnego, co upodabnia zachowanie sztucznego neuronu do procesu poznawczego prawdziwego m贸zgu.



Dzia艂aniem standardowych sieci ANNs kieruje komputer 鈥 procesor wykonuje program, kt贸ry definiuje tak膮 sie膰. Poniewa偶 procesor mo偶e przetwarza膰 informacje w porcjach 16-, 32- albo 64-bitowych, przetwarzanie odbywa si臋 sekwencyjnie, co jest przyczyn膮 powstawania znacznego op贸藕nienia, wzrastaj膮cego liniowo wraz z rozmiarami sieci. Neurony od BrainChip sk艂adaj膮 si臋 ca艂kowicie z binarnych bramek logicznych. S膮 po艂膮czone r贸wnolegle, dlatego wydajno艣膰 sieci nie jest uzale偶niona od jej wielko艣ci, poniewa偶 wiele sygna艂贸w mo偶e by膰 przetwarzanych r贸wnocze艣nie. To rozwi膮zanie pozwala zatem na osi膮gni臋cie o kilka rz臋d贸w wy偶szych pr臋dko艣ci przetwarzania informacji i uczenia si臋 w procesie STDP poszczeg贸lnych neuron贸w. Sieci neuronowe BrainChip charakteryzuj膮 si臋 przy tym wyj膮tkowo niskim poborem mocy.

Liczba neuron贸w i synaps u偶ytych w procesie RTL (Real-Time-Learning) jest konfigurowalna. Na pojedynczej matrycy mog膮 zosta膰 umieszczone tysi膮ce neuron贸w i miliony synaps. Sztuczne neurony zachowuj膮 si臋 jak te biologiczne, maj膮 po kilka tryb贸w i r贸偶nych dynamik wy艂adowa艅 czasowo integruj膮cych dzia艂anie synaps. Neurony i synapsy od BrainChip nie s膮 multipleksowane, w przeciwie艅stwie do stosowania takich rozwi膮za艅 w projektach sieci takich jak TrueNorth (od IBM). Dzi臋ki temu sieci BrainChip s膮 tysi膮ce razy szybsze oraz mo偶liwe jest stosowanie pami臋ci rozproszonych w procesie uczenia STDP, umiejscawianych w synapsach sieci. Model SNAP64 jest w stanie uaktualnia膰 dane z ogromn膮 pr臋dko艣ci膮 鈥 implementacje FPGA osi膮gaj膮 szybko艣膰 4000 000 aktualizacji w ci膮gu sekundy.

Implementacja uk艂adu SNAP64 jest ca艂kowicie cyfrowa, pomimo 偶e impulsy s膮 asynchroniczne, rozproszone czasowo i przestrzennie. SNAP64 RTL osadzono na p艂ycie FPGA od Dini Group La Jolla Inc. z licznymi uk艂adami Xilinx FPGA zawieraj膮cymi po 20 milion贸w bramek. Uk艂ad jest ca艂kowicie konfigurowalny. Typ oraz waga neuroprzeka藕nika, neuromodulatory, po艂膮czenia synaptyczne czy typy neuron贸w mog膮 by膰 dostosowywane przez interfejs mikroprocesora. Alternatywnie, te parametry mog膮 by膰 te偶 ustawiane w procesie RTL dla danej struktury sieci. Obecnie synapsy maj膮 szeroko艣膰 18 bit贸w, ale w sieci wyst臋puj膮 tysi膮ce synaps odprowadzaj膮cych 艂adunki tworz膮ce potencja艂 membranowy neuronu. Integrator w dendrytach ma 22 bity szeroko艣ci, integrator cia艂a neuronu 24 bity szeroko艣ci. Jednak偶e wszystkie te wymiary mog膮 by膰 r贸wnie偶 konfigurowalne w procesie RTL, je艣li wymagana b臋dzie wy偶sza lub ni偶sza rozdzielczo艣膰 napi臋ciowa. Do komunikacji zewn臋trznej z komputerem, SNAP64 b臋dzie potrzebowa膰 danych w postaci warto艣ci liczbowych. Z tego powodu do sieci w艂膮czono neurony czuciowe, kt贸rych danymi wej艣ciowymi s膮 warto艣ci, a wyj艣ciowymi impulsy, a tak偶e neurony motoryczne, kt贸rych danymi wej艣ciowymi s膮 impulsy, natomiast danymi wyj艣ciowymi warto艣ci.


Wykres zale偶no艣ci wydajno艣ci sieci od jej wielko艣ci w sieciach BrainChip (sta艂a wydajno艣膰) oraz w sieciach definiowanych przez program komputerowy.


Technologia od BrainChip mo偶e by膰 wykorzystana w zastosowaniach takich jak rozpoznawanie mowy (a tak偶e m贸wcy), czy ekstrakcja okre艣lonych d藕wi臋k贸w z ha艂a艣liwego, zak艂贸canego t艂a. Inne eksperymenty pokazuj膮, 偶e to rozwi膮zanie mo偶e by膰 z powodzeniem u偶yte do rozpoznawania obraz贸w, czy autonomicznego uczeniu si臋 r贸偶nego rodzaju maszyn, mo偶e by膰 tak偶e wykorzystane w robotyce, a tak偶e w pojazdach bezza艂ogowych. Trwaj膮ce prace nad rozwojem tej technologii, skupiaj膮 si臋 na komercjalizacji kluczowych zastosowa艅, kt贸re zosta艂y uznane za priorytetowe po konsultacjach z potencjalnymi partnerami technologicznymi z Kalifornii. Podstaw膮 dla pierwszego stopnia rozwoju technologii jest dostosowanie jej do wymaga艅 tych firm 鈥 w zwi膮zku z tym wydzia艂 in偶ynieryjny BrainChip po艣wi臋ca szczeg贸ln膮 uwag臋 u偶yciu sieci w dziedzinach takich jak: IoT, robotyka czy te偶 smartfony.

漏 BrainChip
reklama
reklama
Za艂aduj wi臋cej news贸w
January 11 2019 20:28 V11.10.27-1