Pembelajaran tanpa pengawasan dengan neuron buatan

Manuel Le Penelitian Gallo akan menginspirasi generasi baru sistem komputasi neuromorfik yang sangat padat. (Sumber:IBM Research – Zurich)

Terinspirasi dari cara kerja otak manusia, tim ilmuwan di IBM Research di Zurich, meniru cara neuron melonjak, misalnya saat kita menyentuh piring panas. Apa yang disebut neuron buatan ini dapat digunakan untuk mendeteksi pola dan menemukan korelasi dalam Big Data dengan anggaran daya dan pada kepadatan yang sebanding dengan yang terlihat dalam biologi, sesuatu yang para ilmuwan perjuangkan untuk dicapai selama beberapa dekade. Mereka juga dapat belajar, tanpa pengawasan pada kecepatan tinggi dengan menggunakan sedikit energi.

Makalah berjudul “Stochastic phase-change neurons,” yang muncul hari ini di sampul Nature Nanotechnology , menguraikan penelitian dan temuannya.

Saya berbicara dengan rekan penulis makalah dan IBM Research – ilmuwan Zurich Manuel Le Gallo, yang saat ini sedang mengerjakan gelar PhD dari ETH Zurich.

Bagaimana cara kerja neuron buatan?

Manuel Le Gallo: Neuron memiliki fungsi tertentu yang kami sebut "integrasikan dan nyalakan." Neuron bertindak sebagai akumulator — jika Anda terus mengirimkan banyak input ke neuron, neuron akan mengintegrasikan semua input tersebut. Bergantung pada jumlah input dan kekuatannya, potensial membran akan mencapai ambang batas tertentu, dan neuron akan "menyala" atau "melonjak". Akumulator seperti itu dapat digunakan untuk melakukan tugas komputasi yang sangat kompleks.

Bagaimana otak manusia menginspirasi pengembangan neuron buatan?

ML: Neuron buatan dibangun untuk meniru apa yang dilakukan neuron biologis. Neuron buatan tidak akan memiliki fungsi yang sama persis tetapi masih cukup dekat sehingga Anda dapat mencapai perhitungan yang dilakukan oleh otak menggunakan neuron ini. Biasanya, neuron buatan dibangun menggunakan sirkuit berbasis CMOS, teknologi transistor standar yang kita miliki di komputer kita. Makalah kami berfokus pada penggunaan perangkat non-CMOS, seperti perangkat pengubah fase, untuk mereproduksi fungsionalitas serupa dengan mengurangi konsumsi daya dan meningkatkan kepadatan area.

Apa kontribusi Anda untuk makalah ini?

ML: Kami memperoleh pemahaman tentang fisika perangkat perubahan fase dari pekerjaan karakterisasi dan pemodelan yang telah saya lakukan dalam tiga tahun terakhir. Ini sangat penting untuk merancang neuron buatan berdasarkan perangkat ini dan untuk memahami fungsinya. Selain itu, saya memperoleh beberapa data eksperimen yang disajikan dalam makalah dan berkontribusi pada analisis dan interpretasi hasil.

“Kami pikir pendekatan kami akan lebih efisien, terutama untuk memproses data dalam jumlah besar.”

—Manuel Le Gallo, ilmuwan Riset IBM

Dalam konteks apa neuron buatan dapat diterapkan?

Yang mungil kotak adalah bantalan kontak yang digunakan untuk mengakses sel perubahan fase skala nanometer (tidak terlihat). Probe tajam menyentuh bantalan kontak untuk mengubah konfigurasi fase yang disimpan dalam sel sebagai respons terhadap input saraf. Setiap set probe dapat mengakses populasi 100 sel.

ML: Dalam makalah kami, kami menunjukkan bagaimana Anda dapat mendeteksi korelasi dari berbagai aliran peristiwa. Asumsikan bahwa Anda memiliki beberapa aliran peristiwa biner dan Anda ingin menemukan aliran mana yang berkorelasi sementara, misalnya, ketika 1 terjadi secara bersamaan.

Dalam makalah tersebut, kami menunjukkan bagaimana Anda dapat mendeteksi korelasi dari berbagai aliran peristiwa.

Apa yang Anda maksud dengan acara?

ML: Peristiwa dapat berupa, misalnya, data Twitter, data cuaca, atau data sensorik yang dikumpulkan oleh Internet of Things. Asumsikan bahwa Anda memiliki beberapa aliran peristiwa biner dan Anda ingin menemukan aliran mana yang berkorelasi sementara, misalnya ketika 1 datang secara bersamaan. Kami menunjukkan di makalah bagaimana kami dapat melakukan diskriminasi ini hanya dengan menggunakan satu neuron yang terhubung ke beberapa sinapsis plastik yang menerima peristiwa.

Apa yang membuat komputasi neuromorfik lebih efisien daripada komputasi konvensional?

ML: Dalam komputasi konvensional, kami memiliki unit memori dan logika yang terpisah. Kapan pun Anda ingin melakukan komputasi, Anda harus terlebih dahulu mengakses memori, memperoleh data, dan mentransfernya ke unit logika, yang mengembalikan komputasi. Dan setiap kali Anda mendapatkan hasil, Anda harus mengirimkannya kembali ke memori. Proses ini berjalan bolak-balik terus menerus. Jadi, jika Anda berurusan dengan data dalam jumlah besar, itu akan menjadi masalah nyata.

Dalam jaringan saraf, komputasi dan penyimpanan ditempatkan bersama. Anda tidak perlu membangun komunikasi antara logika dan memori; Anda hanya perlu membuat koneksi yang sesuai antara neuron yang berbeda. Itulah alasan utama kami berpikir bahwa pendekatan kami akan lebih efisien, terutama untuk memproses data dalam jumlah besar.