Brain-on-a-chip membutuhkan sedikit pelatihan
Sciences

Brain-on-a-chip membutuhkan sedikit pelatihan


Kemajuan teknologi kecerdasan buatan mengarah pada pengembangan jaringan saraf yang meniru biologi otak. Kredit: KAUST

Jaringan saraf yang meniru biologi otak dapat dimuat ke microchip untuk kecerdasan buatan yang lebih cepat dan lebih efisien.

Sebuah jaringan saraf “spiking” biomimik pada microchip telah memungkinkan para peneliti KAUST untuk meletakkan dasar untuk mengembangkan sistem komputasi kecerdasan buatan berbasis perangkat keras yang lebih efisien.

Teknologi kecerdasan buatan berkembang pesat, dengan ledakan aplikasi baru di seluruh otomatisasi canggih, penambangan dan interpretasi data, perawatan kesehatan dan pemasaran, untuk beberapa nama. Sistem tersebut didasarkan pada jaringan saraf tiruan matematika (JST) yang terdiri dari lapisan node pengambilan keputusan. Data berlabel pertama-tama dimasukkan ke dalam sistem untuk “melatih” model agar merespons dengan cara tertentu, kemudian aturan pengambilan keputusan dikunci dan model tersebut diterapkan pada perangkat keras komputasi standar.

Meskipun metode ini berhasil, ini adalah perkiraan yang kikuk dari jaringan saraf yang jauh lebih kompleks, kuat, dan efisien yang sebenarnya membentuk otak kita.

“ANN adalah model matematika abstrak yang memiliki sedikit kemiripan dengan sistem saraf yang sebenarnya dan membutuhkan daya komputasi yang intensif,” kata Wenzhe Guo, Ph.D. mahasiswa di tim peneliti. “Jaringan saraf spiking, di sisi lain, dibangun dan bekerja dengan cara yang sama seperti sistem saraf biologis dan dapat memproses informasi dengan cara yang lebih cepat dan lebih hemat energi.”

Jaringan saraf spiking (SNN) meniru struktur sistem saraf sebagai jaringan sinapsis yang mengirimkan informasi melalui saluran ion dalam bentuk potensial aksi, atau lonjakan, saat terjadi. Perilaku yang digerakkan oleh peristiwa ini, diimplementasikan secara matematis sebagai “model integrasi-dan-api yang bocor”, membuat SNN sangat hemat energi. Selain itu, struktur node yang saling berhubungan memberikan tingkat paralelisasi yang tinggi, yang selanjutnya meningkatkan daya dan efisiensi pemrosesan. Ini juga cocok untuk implementasi langsung dalam perangkat keras komputasi sebagai chip neuromorfik.

“Kami menggunakan microchip FPGA standar berbiaya rendah dan menerapkan model plastisitas yang bergantung pada waktu lonjakan, yang merupakan aturan pembelajaran biologis yang ditemukan di otak kami,” kata Guo.

Yang penting, model biologis ini tidak membutuhkan sinyal atau label pengajaran, memungkinkan sistem komputasi neuromorfik untuk mempelajari pola data dunia nyata tanpa pelatihan.

“Karena model SNN sangat kompleks, tantangan utama kami adalah menyesuaikan pengaturan jaringan saraf untuk kinerja yang optimal,” kata Guo. “Kami kemudian merancang arsitektur perangkat keras yang optimal dengan mempertimbangkan keseimbangan biaya, kecepatan, dan konsumsi energi.”

Brain-on-a-chip tim terbukti lebih dari 20 kali lebih cepat dan 200 kali lebih hemat energi daripada platform jaringan saraf lainnya.

“Tujuan utama kami adalah membangun sistem komputasi perangkat keras yang ringkas, cepat, dan berenergi rendah seperti otak. Langkah selanjutnya adalah meningkatkan desain dan mengoptimalkan kemasan produk, membuat miniatur chip dan menyesuaikannya untuk berbagai aplikasi industri melalui kolaborasi,” Guo kata.


Pendekatan baru ditemukan untuk aplikasi AI hemat energi


Informasi lebih lanjut:
Wenzhe Guo dkk. Menuju Desain Optimal dan Implementasi FPGA Jaringan Neural Spiking, Transaksi IEEE pada Jaringan Neural dan Sistem Pembelajaran (2021). DOI: 10.1109 / tnnls.2021.3055421

Disediakan oleh Universitas Sains dan Teknologi Raja Abdullah

Kutipan: Brain-on-a-chip membutuhkan sedikit pelatihan (2021, 20 April) diambil pada 20 April 2021 dari https://techxplore.com/news/2021-04-brain-on-a-chip.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten tersebut disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Hongkong Prize