Komputasi Neuromorfik Magnetik Meningkatkan Efisiensi AI ke Tingkat Seperti Manusia
- Magnet dapat membantu buatan pintar mencapai efisiensi seperti manusia dalam mengenali objek.
- Peneliti mengembangkan jaringan baru yang menggunakan lebih sedikit energi dan memori untuk melakukan tugas serupa dengan komputasi otak.
Dinamika listrik neuron cukup mirip dengan dinamika perpindahan nanomagnet. Perilaku perpindahan yang ditunjukkan oleh peralatan persimpangan magnetik tunnel adalah stokastik secara alami. Karena perilaku ini mewakili perilaku perpindahan sigmoid neuron, persimpangan magnetik dapat digunakan untuk menyimpan bobot sinaptik.
Menggunakan properti luar biasa magnet ini, peneliti di Purdue University telah mengembangkan metode yang dapat membantu robot yang didorong AI mencapai efisiensi seperti manusia dalam mengenali objek.
Metode ini melibatkan penggabungan magnetisme dengan jaringan seperti otak untuk mengajarkan mesin seperti drone, mobil tanpa sopir, dan robot untuk lebih baik dalam generalisasi tentang beberapa objek.
Algoritma Baru
Jaringan Saraf Spike (SNN) menyediakan alternatif yang menjanjikan untuk mewujudkan sistem neuromorfik cerdas, yang membutuhkan sumber daya komputasi lebih rendah dari jaringan saraf konvensional. Jaringan ini mengkode dan transmisi data dalam bentuk kejadian spike yang langka.
Dalam studi ini, peneliti menggunakan spike timing dependent plasticity (STDP) untuk mengembangkan algoritma pelatihan stokastik baru bernama Stochastic-STDP. Ini adalah SNN konvolusional residual dalam, yang disebut ReStoCNet, yang terdiri dari inti biner untuk komputasi neuromorfik hemat memori.
Referensi: Frontiers | doi:10.3389/fnins.2019.00189 | Purdue University
Menggunakan perilaku stokastik intrinsik magnet, peneliti mengubah fase magnetisasi secara stokastik berdasarkan algoritma baru. Mereka kemudian menggunakan bobot sinaptik yang dilatih selama inferensi, yang dikode secara deterministik dalam fase magnetisasi nanomagnet.
Aturan pembelajaran probabilistik berbasis STDP menggabungkan pendekatan pembelajaran Hebbian dan anti-Hebbian, untuk melatih inti biner yang terdiri dari ReStoCNet secara tidak terpawati lapis demi lapis untuk ekstraksi fitur input hierarkis.
Kredit: Purdue University
Tim menggunakan magnet dengan energi halangan tinggi untuk mengaktifkan primitif stokastik kompak dan membuatnya mungkin untuk menggunakan perangkat yang sama sebagai elemen memori stabil.
Mereka memvalidasi efisiensi ReStoCNet pada dua kumpulan data publik yang berbeda, dan menunjukkan bahwa koneksi residual memungkinkan lapis konvolusional dalam untuk mempelajari fitur input tingkat tinggi yang berharga dan meminimalkan kerugian yang ditimbulkan oleh SNN tanpa koneksi residual.
Bagaimana Manfaatnya?
Jaringan baru mampu merepresentasikan baik neuron maupun sinaptik sambil mengurangi jumlah energi dan memori yang diperlukan untuk melakukan tugas serupa dengan komputasi otak.
Jaringan seperti otak ini dapat memecahkan masalah optimasi yang sulit, seperti pewarnaan grafik dan masalah penjual perjalanan. Perangkat stokastik yang disajikan dalam karya ini dapat berfungsi sebagai 'penghalus alami' dan membantu algoritma keluar dari minimum lokal.
Baca: Cahaya Bertindak Sebagai Magnet dalam Simulator Kuantum Baru
Secara lebih spesifik, ReStoCNet dengan pembelajaran probabilistik hemat memori dan komputasi berbasis kejadian cocok untuk mengimplementasikan perangkat keras neuromorfik berdasarkan CMOS dan teknologi perangkat emerging stokastik seperti Phase-Change Memory, Resistive Random Access Memory, yang meningkatkan efisiensi memori dalam perangkat berdaya baterai.
