L'IA peut utiliser le magnétisme pour atteindre une efficacité semblable à celle d'un humain

• Les aimants peuvent aider l'intelligence artificielle à atteindre une efficacité semblable à celle d'un humain pour reconnaître les objets.
• Les chercheurs développent de nouveaux réseaux qui utilisent moins d'énergie et de mémoire pour effectuer des tâches similaires aux calculs cérébraux.

La dynamique électrique des neurones est assez similaire à la dynamique de commutation d'un nano-aimant. Le comportement de commutation présenté par l'équipement à jonction tunnel magnétique est de nature stochastique. Étant donné que ce comportement représente le comportement de commutation sigmoïde d'un neurone, la jonction magnétique peut être utilisée pour stocker des poids synaptiques.

En utilisant cette propriété exceptionnelle des aimants, les chercheurs de l'Université Purdue ont développé une méthode qui pourrait aider les robots alimentés par l'intelligence artificielle (IA) à atteindre une efficacité semblable à celle d'un humain pour reconnaître les objets.

La méthode consiste à fusionner le magnétisme avec des réseaux de type cerveau pour apprendre à des machines comme des drones, des voitures autonomes et des robots à mieux généraliser sur plusieurs objets.

Un nouvel algorithme

Les réseaux de neurones à pointes (SNN) offrent une alternative prometteuse à la réalisation de systèmes neuromorphiques intelligents, qui nécessitent moins de ressources de calcul que les réseaux de neurones conventionnels. Ces réseaux encodent et transmettent des données sous la forme d'événements de pointe épars.

Dans cette étude, les chercheurs ont utilisé la plasticité dépendante du temps de pointe (STDP) pour développer un nouvel algorithme d'entraînement stochastique appelé Stochastique-STDP. Il s'agit d'un SNN convolutif résiduel profond, appelé ReStoCNet, composé de noyaux binaires pour le calcul neuromorphique efficace en mémoire.

Référence :Frontières | doi:10.3389/fnins.2019.00189 | Université Purdue

En utilisant le comportement stochastique intrinsèque de l'aimant, les chercheurs ont basculé la phase de magnétisation de manière stochastique sur la base du nouvel algorithme. Ils ont ensuite utilisé des poids synaptiques entraînés pendant l'inférence, qui ont été codés de manière déterministe dans la phase de magnétisation du nano-aimant.

La règle d'apprentissage probabiliste basée sur STDP intègre des approches d'apprentissage Hebbian et anti-Hebbian, pour former les noyaux binaires comprenant ReStoCNet d'une manière non supervisée au niveau des couches pour l'extraction de caractéristiques d'entrée hiérarchique.

Crédit :Purdue University 

L'équipe a utilisé des aimants barrières à haute énergie pour activer des primitives stochastiques compactes et permettre d'utiliser le même appareil comme élément de mémoire stable.

Ils ont validé l'efficacité de ReStroCNet sur deux ensembles de données différents accessibles au public et ont montré que les connexions résiduelles permettent aux couches convolutives profondes d'apprendre des fonctionnalités d'entrée de haut niveau précieuses et de minimiser les pertes encourues par les SNN sans connexions résiduelles.

En quoi est-ce utile ?

Le nouveau réseau est capable de représenter à la fois les neurones et les synapses tout en réduisant la quantité d'énergie et de mémoire requise pour effectuer des tâches similaires aux calculs cérébraux.

Ces réseaux de type cérébral peuvent résoudre des problèmes d'optimisation difficiles, tels que la coloration de graphiques et le problème du voyageur de commerce. Les dispositifs stochastiques présentés dans ce travail peuvent fonctionner comme un « recuiseur naturel » et aider les algorithmes à sortir des minima locaux.

Lire :La lumière agit comme un aimant dans un nouveau simulateur quantique

Plus précisément, ReStoCNeT avec un apprentissage probabiliste efficace en mémoire et une informatique pilotée par les événements est bien adapté à la mise en œuvre de matériel neuromorphique basé sur CMOS et des technologies de dispositifs émergents stochastiques telles que la mémoire à changement de phase, la mémoire résistive à accès aléatoire, qui améliorent l'efficacité de la mémoire dans la batterie. appareils alimentés.