Hành trình Khoa học, Không gian và Thời gian!
Gói phần mềm được đặt tên khéo léo Whetstone cho phép các mạng máy tính thần kinh xử lý thông tin hiệu quả gấp 100 lần so với các tiêu chuẩn hiện tại, giúp tăng khả năng sử dụng trí thông minh nhân tạo trong điện thoại di động, xe tự lái và giải đoán hình ảnh.
Phần mềm được đặt tên khéo léo, giúp giảm đáng kể lượng mạch cần thiết để thực hiện các nhiệm vụ tự trị, dự kiến sẽ tăng sự thâm nhập của trí tuệ nhân tạo vào thị trường cho điện thoại di động, xe tự lái và tự động giải thích hình ảnh.
“Thay vì gửi đi những thông tin năng lượng vô tận”, nhà khoa học thần kinh Sandia Brad Aimone nói, “các tế bào thần kinh nhân tạo được đào tạo bởi Whetstone giải phóng năng lượng trong các gai, giống như các tế bào thần kinh của con người.”
Nhà nghiên cứu toán học Sandia William Severa cho biết, các công ty trí tuệ nhân tạo lớn nhất đã sản xuất các công cụ đạp xe cho các sản phẩm của riêng họ, nhưng không có công cụ nào nhanh và hiệu quả như Whetstone. “Các công ty lớn nhận thức được quá trình này và đã xây dựng các hệ thống tương tự, nhưng thường thì chúng chỉ hoạt động cho các thiết kế của riêng họ. Whetstone sẽ hoạt động trên nhiều nền tảng thần kinh.”
Mã nguồn mở gần đây đã được giới thiệu trong một bài viết kỹ thuật trên tạp chí Nature Machine Intelligence và đã được Sandia đề xuất cho một bằng sáng chế.
Các nơ-ron nhân tạo về cơ bản là các tụ điện hấp thụ và tổng hợp các điện tích mà sau đó chúng giải phóng trong các vụ nổ điện nhỏ. Các chip máy tính, được gọi là “các hệ thống thần kinh”, lắp ráp các mạng lưới thần kinh thành các nhóm lớn bắt chước bộ não của con người bằng cách gửi các kích thích điện đến các nơ-ron bắn ra không theo thứ tự dự đoán. Điều này trái ngược với quy trình bước khóa hơn được sử dụng bởi các máy tính để bàn với các quy trình điện tử được thiết lập sẵn của chúng.
Do việc bắn hỗn loạn của chúng, các hệ thống thần kinh thường chậm hơn các máy tính thông thường nhưng cũng cần ít năng lượng hơn để hoạt động. Họ cũng yêu cầu một cách tiếp cận khác để lập trình bởi vì nếu không thì các nơ-ron nhân tạo của họ bắn quá thường xuyên hoặc không đủ thường xuyên, đó là một vấn đề trong việc đưa chúng lên mạng thương mại.
Whetstone, có chức năng như một mã máy tính bổ sung đã xử lý các chương trình đào tạo phần mềm thông thường hơn, đào tạo và mài giũa các nơ-ron nhân tạo bằng cách tận dụng những thứ chỉ tăng vọt khi đủ lượng năng lượng đọc, thông tin đã được thu thập. Khóa đào tạo đã chứng minh hiệu quả trong việc cải thiện mạng lưới thần kinh tiêu chuẩn và đang trong quá trình đánh giá công nghệ mới nổi của các hệ thống thần kinh.
Catherine Schuman, một nhà nghiên cứu mạng lưới thần kinh tại Phòng thí nghiệm quốc gia Oak Ridge, cho biết: “Đá mài là một công cụ quan trọng cho cộng đồng biến đổi thần kinh. Nó cung cấp một cách tiêu chuẩn để đào tạo các mạng lưới thần kinh truyền thống có thể triển khai trên các hệ thống thần kinh, đã được thực hiện trước đây một cách không chuyên. “
Quá trình Whetstone, Aimone nói, có thể được hình dung như điều khiển một lớp học sinh tiểu học biết nói, được giao nhiệm vụ xác định một đối tượng trên bàn của giáo viên. Trước Whetstone, các sinh viên đã gửi một luồng đầu vào cảm biến liên tục đến giáo viên bị choáng ngợp trước đây của họ, người phải lắng nghe tất cả ầm ầm và cười khúc khích, để nói trước khi đưa ra quyết định vào hệ thống thần kinh. Lượng thông tin khổng lồ này thường đòi hỏi phải tính toán dựa trên đám mây để xử lý hoặc bổ sung thêm nhiều thiết bị máy tính cục bộ kết hợp với sự gia tăng mạnh về năng lượng điện. Cả hai tùy chọn đều tăng thời gian và chi phí cho các sản phẩm trí tuệ nhân tạo thương mại, giảm bớt tính bảo mật và quyền riêng tư của họ và làm cho sự chấp nhận của họ ít có khả năng hơn.
Theo Whetstone, giáo viên mới nghiêm khắc của họ chỉ chú ý đến phép đo “có” hoặc “không” đơn giản của mỗi học sinh khi họ giơ tay với một giải pháp, thay vì mọi điều họ đang nói. Ví dụ, giả sử, mục đích là xác định xem một miếng trái cây xanh trên bàn của giáo viên có phải là một quả táo hay không. Mỗi học sinh là một cảm biến có thể đáp ứng với một chất lượng khác nhau của một quả táo: Nó có đúng chất lượng của mùi, vị, kết cấu hay không? Và trong khi học sinh tìm màu đỏ có thể bỏ phiếu “không”, học sinh khác tìm màu xanh lá cây sẽ bỏ phiếu “có”. Khi số lượng câu trả lời, dù là yay hay nay, đủ cao để kích hoạt khả năng kích hoạt tế bào thần kinh, kết quả đơn giản đó, thay vì vặn vẹo vô tận, đi vào hệ thống thần kinh tổng thể.
Mặc dù việc đơn giản hóa Whetstone có thể có khả năng làm tăng lỗi, nhưng số lượng nơ-ron tham gia thường là hơn một triệu, cung cấp thông tin bù cho những điểm không chính xác được giới thiệu bởi đơn giản hóa dữ liệu, Severa nói, chịu trách nhiệm về toán học của chương trình.
“Kết hợp thông tin nội bộ quá chi tiết với số lượng lớn tế bào thần kinh báo cáo là một loại đặt phòng đôi”, ông nói. “Không cần thiết. Kết quả của chúng tôi cho chúng ta biết cách cổ điển tính toán mọi thứ mà không cần đơn giản hóa thật lãng phí. Đó là lý do tại sao chúng ta có thể tiết kiệm năng lượng và làm tốt điều đó.”
Chương trình phần mềm hoạt động tốt nhất khi được vá vào các chương trình nhằm đào tạo thiết bị trí tuệ nhân tạo mới, vì vậy Whetstone không phải vượt qua các mô hình đã học với mức tối thiểu năng lượng đã được thiết lập.
Công việc này là sự tiếp nối của một dự án Sandia có tên là Tăng tốc phần cứng của các thuật toán thần kinh thích nghi, khám phá các nền tảng thần kinh trong công việc được hỗ trợ bởi văn phòng nghiên cứu và phát triển trong phòng thí nghiệm của Sandia. Công việc hiện tại được hỗ trợ bởi Chương trình mô phỏng và tính toán nâng cao của Bộ Năng lượng.
Nguồn tin tức:
Tài liệu được cung cấp bởi Phòng thí nghiệm quốc gia DOE / Sandia . Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.
Tạp chí tham khảo :