AI는 자기학을 사용하여 인간과 같은 효율성을 달성할 수 있습니다.

• 자석은 인공 지능이 물체를 인식하는 데 있어 인간과 같은 효율성을 달성하는 데 도움이 될 수 있습니다.
• 연구원은 뇌 계산과 유사한 작업을 수행하기 위해 에너지와 메모리를 덜 사용하는 새로운 네트워크를 개발합니다.

뉴런의 전기적 역학은 나노자석의 스위칭 역학과 매우 유사합니다. 자기 터널 접합 장비에 의해 나타나는 스위칭 동작은 본질적으로 확률적입니다. 이 동작은 뉴런의 S자형 스위칭 동작을 나타내므로 자기 접합을 사용하여 시냅스 가중치를 저장할 수 있습니다.

퍼듀 대학교(Purdue University)의 연구원들은 자석의 이러한 탁월한 특성을 사용하여 인공 지능(AI)으로 구동되는 로봇이 물체를 인식하는 데 있어 인간과 같은 효율성을 달성하는 데 도움이 되는 방법을 개발했습니다.

이 방법은 자기를 뇌와 같은 네트워크와 결합하여 드론, 자율주행차, 로봇과 같은 기계가 여러 물체에 대해 더 잘 일반화하도록 가르치는 것을 포함합니다.

새로운 알고리즘

Spiking Neural Networks(SNN)는 기존 신경망보다 더 적은 계산 리소스가 필요한 지능형 뉴로모픽 시스템을 실현하기 위한 유망한 대안을 제공합니다. 이러한 네트워크는 희소 스파이크 이벤트의 형태로 데이터를 인코딩하고 전송합니다.

이 연구에서 연구원들은 STDP(스파이크 타이밍 종속 가소성)를 사용하여 Stochastic-STDP라는 새로운 확률 학습 알고리즘을 개발했습니다. 메모리 효율적인 뉴로모픽 컴퓨팅을 위한 바이너리 커널로 구성된 ReStoCNet이라고 하는 Deep Residual Convolutional SNN입니다.

참조:프론티어 | doi:10.3389/fnins.2019.00189 | 퍼듀 대학교

자석의 고유한 확률론적 거동을 사용하여 연구원들은 새로운 알고리즘을 기반으로 확률적으로 자화 단계를 전환했습니다. 그런 다음 그들은 나노자석의 자화 단계에서 결정론적으로 인코딩된 추론 동안 훈련된 시냅스 가중치를 사용했습니다.

STDP 기반 확률 학습 규칙은 Hebbian 및 anti-Hebbian 학습 접근 방식을 통합하여 ReStoCNet으로 구성된 바이너리 커널을 계층적 입력 기능 추출을 위한 계층별 비지도 방식으로 훈련합니다.

제공:퍼듀 대학교

팀은 고에너지 장벽 자석을 사용하여 확률론적 기본 요소를 압축하고 동일한 장치를 안정적인 메모리 요소로 사용할 수 있도록 했습니다.

그들은 공개적으로 사용 가능한 두 개의 다른 데이터 세트에서 ReStroCNet의 효율성을 검증했으며 잔류 연결을 통해 심층 컨볼루션 계층이 가치 있는 고급 입력 기능을 학습하고 잔류 연결 없이 SNN으로 인해 발생하는 손실을 최소화할 수 있음을 보여주었습니다.

유용한 방법은 무엇입니까?

새로운 네트워크는 뉴런과 시냅스를 모두 나타낼 수 있는 동시에 뇌 계산과 유사한 작업을 수행하는 데 필요한 에너지와 메모리의 양을 줄일 수 있습니다.

이러한 두뇌와 같은 네트워크는 그래프 채색 및 여행하는 세일즈맨 문제와 같은 어려운 최적화 문제를 해결할 수 있습니다. 이 작업에서 제시한 확률적 장치는 '자연적 어닐러'로 기능할 수 있으며 알고리즘이 국소 최소값에서 벗어나도록 도와줍니다.

읽기:빛은 새로운 양자 시뮬레이터에서 자석 역할을 합니다.

보다 구체적으로, 메모리 효율적인 확률 학습 및 이벤트 기반 컴퓨팅을 갖춘 ReStoCNet은 CMOS 기반의 뉴로모픽 하드웨어 및 배터리의 메모리 효율성을 향상시키는 상변화 메모리, 저항성 랜덤 액세스 메모리와 같은 확률론적 신흥 장치 기술을 구현하는 데 적합합니다. 전원 장치.