Forskare efterliknar den mänskliga hjärnan för att göra ett lågt energinätverk

Neurala nätverk - eller artificiella replika av den mänskliga hjärnan - låta forskare och ingenjörer utföra analys som skulle ta människor i åldrarna.De kan hälla genom oändliga tabeller med data och påpeka skillnader i bilder som skulle gå obemärkt av människor.

De har dock en nackdel men: De bästa neurala näten i spelet använder en otrolig mängd energi för att göra sitt jobb.

"För några år sedan försökte IBM simulera en kats hjärnaktivitet i en superdator och de slutade att konsumera megawatt av makt", säger Purdue University forskare Abhronil Sengupta Omvänd. "Den biologiska mänskliga hjärnan förbrukar ingenstans nära så mycket. Det här är inte en direkt jämförelse till ett neuralt nätverk, men det borde ge dig en uppskattning av hur krafthämmande datorsystem är."

Sengupta och ett team av datavetenskapare vid Purdue University och Institute of Electrical and Electronics Engineers (IEEE) kom fram till ett sätt att få neurala nätverk att konsumera mycket mindre energi medan de fortfarande gör ett kick-ass-jobb. Ett papper som de har skrivit på preprint-webbplatsen, förklarar arXiv hur de tog inspiration från den mänskliga hjärnan och implementerade sin idé att låta deras neurala nät konsumera ungefär 11 gånger mindre energi än traditionella system skulle.

Deras tillvägagångssätt utnyttjar spiking neurala nätverk, eller SNN. Till skillnad från deras motsvarigheter emulerar dessa beräkningssystem biologiska neuroner mycket mer exakt.

Standard neurala nät består av tusentals noder som används för att fatta beslut och bedömningar om de data som presenteras för dem. Utgången från dessa beror bara på vad som för närvarande presenteras, medan SNN-utgången beror på tidigare stimuli också. Noder i en SNN fungerar bara när en viss stimulansnivå uppnås. Så istället för ständigt Överför data till andra noder, SNN-noder skickar endast information när de måste.

Detta kommer vanligen på en jätte energikostnad eftersom de flesta av dessa system tillverkas med hjälp av vad som är känt som komplementär metalloxid-halvledarteknik eller CMOS. Den tekniken utgör alla chips i din bärbara dator och har använts som byggstenar för neurala nätverk. För sin studie drog forskargruppen CMOS tech och byggde en SNN helt av memristors.

Kort för "minnesmotstånd," memristors elektriska motstånd beror på hur mycket elladdning som har blivit genom den tidigare. Så, till skillnad från CMOS tech, kan den "komma ihåg" vad som passerade det innan, vilket är exakt vilka noder i SNNs behöver göra.

Resultaten av studien visade att memristors efterliknar den biologiska neuronen ganska bra. De kommunicerar med varandra med hjälp av spikar, eller korta brister i energi, i motsats till ett konstant strömflöde. Denna memristor-SNN hade en liten minskning av noggrannheten när den användes för bildklassificering jämfört med dess CMOS-motsvarigheter, men det tog en bråkdel av nätverksnätets nätverksnätverk.

Före den här studien var SNNs det närmaste till en artificiell mänsklig hjärna som vi hade, men den enorma mängden makt som de tog att använda upphävde några av deras fördelar. Om andra forskare kan replikera dessa energisparande neurala nätverk kan det låta dem göra mer med mindre energi och flytta dem närmare för att förstå hur man ska replikera den biologiska hjärnan.