25 lutego, 2024

MSPStandard

Znajdź wszystkie najnowsze artykuły i oglądaj programy telewizyjne, reportaże i podcasty związane z Polską

Sieć Nanowire naśladuje mózg i uczy się pisma ręcznego z dokładnością do 93,4%.

Sieć Nanowire naśladuje mózg i uczy się pisma ręcznego z dokładnością do 93,4%.

streszczenie: Naukowcy opracowali eksperymentalny system komputerowy, podobny do biologicznego mózgu, który skutecznie rozpoznaje liczby pisane odręcznie z dokładnością 93,4%.

Osiągnięto to dzięki nowemu algorytmowi szkoleniowemu, który zapewnia ciągłą informację zwrotną w czasie rzeczywistym, przewyższając tradycyjne metody przetwarzania danych wsadowych, które osiągnęły dokładność na poziomie 91,4%.

Konstrukcja systemu obejmuje samoorganizującą się sieć nanodrutów na elektrodach, z przeplataną pamięcią i możliwościami przetwarzania, w przeciwieństwie do tradycyjnych komputerów z dyskretnymi modułami.

Ten postęp w przetwarzaniu inspirowanym mózgiem może zrewolucjonizować zastosowania sztucznej inteligencji, wymagając mniej energii i doskonale radząc sobie z analizowaniem złożonych danych.

Kluczowe fakty:

  1. System sieci nanoprzewodowej wykazał doskonałe możliwości uczenia się, osiągając dokładność na poziomie 93,4% w identyfikacji cyfr pisanych odręcznie.
  2. Unikalny algorytm szkoleniowy systemu i pamięć w ramach jego fizycznej architektury odróżnia go od tradycyjnych metod obliczeniowych.
  3. Technologia ta demonstruje potencjał energooszczędnych aplikacji AI zdolnych do przetwarzania złożonych i wyrafinowanych danych w czasie rzeczywistym.

źródło: Uniwersytet Kalifornijski

Eksperymentalny system komputerowy wzorowany na mózgu biologicznym faktycznie „uczy się” rozpoznawać liczby zapisane ręcznie z ogólną dokładnością 93,4%.

Główną innowacją w eksperymencie był nowy algorytm uczący, który zapewniał systemowi ciągłą informację o powodzeniu zadania w czasie rzeczywistym podczas uczenia się.

Oczekuje się, że sieć nanoprzewodowa, która jest wciąż w fazie rozwoju, będzie wymagać znacznie mniej energii niż systemy sztucznej inteligencji oparte na krzemie do wykonywania podobnych zadań. Źródło: Wiadomości z neurologii

Algorytm przewyższał tradycyjne podejście do uczenia maszynowego, w którym szkolenie odbywało się po przetworzeniu zestawu danych, co dało dokładność na poziomie 91,4%. Naukowcy wykazali również, że pamięć poprzednich danych wejściowych przechowywana w systemie sama w sobie usprawnia proces uczenia się. Natomiast inne metody obliczeniowe przechowują pamięć w oprogramowaniu lub sprzęcie niezależnym od procesora urządzenia.

tło

W ciągu 15 lat naukowcy z California NanoSystems Institute na Uniwersytecie Kalifornijskim w Los Angeles (CNSI) opracowali nową technologię platformy obliczeniowej. Technologia ta to system inspirowany pracą mózgu, składający się ze splątanej sieci przewodów zawierających srebro, umieszczonych na podłożu z elektrod.

READ  Rewolucjonizuje biologię: półsyntetyczny genom drożdży odkrywa nowe horyzonty w inżynierii genetycznej

System odbiera dane wejściowe i wytwarza sygnały wyjściowe za pomocą impulsów elektrycznych. Poszczególne druty są tak małe, że ich średnicę mierzy się w nanoskali, czyli jednej miliardowej metra.

„Małe srebrne mózgi” bardzo różnią się od dzisiejszych komputerów, które mają dyskretną pamięć i jednostki przetwarzające zbudowane z atomów, których położenie nie zmienia się pod wpływem przepływu elektronów.

Natomiast sieć nanodrutowa ulega fizycznej przebudowie w odpowiedzi na bodźce, a pamięć opiera się na jej strukturze atomowej i rozprzestrzenia się po całym systemie. Kiedy przewody zachodzą na siebie, połączenia mogą się tworzyć lub pękać, co jest podobne do zachowania synaps w biologicznym mózgu, gdzie neurony komunikują się ze sobą.

Współpracownicy naukowi z Uniwersytetu w Sydney opracowali uproszczony algorytm dostarczania danych wejściowych i interpretacji wyników. Algorytm jest dostosowany do wykorzystania podobnej do mózgu zdolności systemu do dynamicznych zmian i jednoczesnego przetwarzania wielu strumieni danych.

droga

System przypominający mózg składa się z materiału zawierającego srebro i selen, któremu pozwolono na samoorganizację w sieć splątanych nanodrutów rozmieszczonych na układzie 16 elektrod. Naukowcy przeszkolili i przetestowali sieć nanoprzewodową, korzystając z obrazów odręcznie zapisanych liczb, czyli zbioru danych utworzonego przez Narodowy Instytut Standardów i Technologii, który jest często używany do testów porównawczych systemów uczenia maszynowego.

Obrazy przesyłano do systemu piksel po pikselu za pomocą impulsów elektrycznych, każdy trwający milisekundę, o różnym napięciu reprezentującym jasne i ciemne piksele.

uderzenie

Oczekuje się, że sieć nanoprzewodowa, która jest wciąż w fazie rozwoju, będzie wymagać znacznie mniej energii niż systemy sztucznej inteligencji oparte na krzemie do wykonywania podobnych zadań. Sieć okazuje się również obiecująca w przypadku zadań, z którymi boryka się obecna sztuczna inteligencja: zrozumienia złożonych danych, takich jak wzorce pogodowe, ruch drogowy i inne systemy, które zmieniają się w czasie. Aby tego dokonać, dzisiejsza sztuczna inteligencja wymaga ogromnych ilości danych treningowych i bardzo dużych nakładów energii.

READ  Hubble powrócił do służby po przestraszeniu żyroskopowym, a NASA nadal rozważa opcje ponownego uruchomienia

Biorąc pod uwagę rodzaj współprojektowania zastosowany w tym badaniu – sprzęt i oprogramowanie tworzone równolegle – sieci nanoprzewodowe mogą ostatecznie odegrać rolę uzupełniającą w stosunku do urządzeń elektronicznych opartych na krzemie.

Pamięć i przetwarzanie podobne do mózgu wbudowane w systemy fizyczne, które są w stanie przystosowywać się i stale się uczyć, mogą szczególnie dobrze nadawać się do tak zwanego „przetwarzania brzegowego”, które błyskawicznie przetwarza złożone dane, bez konieczności łączenia się ze zdalnymi serwerami.

Potencjalne zastosowania obejmują robotykę, autonomiczną nawigację w maszynach, takich jak pojazdy i drony, oraz technologię inteligentnych urządzeń tworzących Internet rzeczy, a także monitorowanie stanu zdrowia i koordynację pomiarów z czujników w wielu lokalizacjach.

Autorski

Autorami badania są James Gimzewski, wybitny profesor chemii na Uniwersytecie Kalifornijskim w Los Angeles i członek CNSI; Adam Steg, pracownik naukowy na Uniwersytecie Kalifornijskim w Los Angeles i zastępca dyrektora Centrum CNSI; Zdenka Koncic, profesor fizyki na Uniwersytecie w Sydney; a Rumin Zhou, doktorant na Uniwersytecie w Sydney, jest także pierwszym autorem. Inni współautorzy to Sam Lilac, który obronił doktorat na UCLA w 2022 r.; oraz Alon Loeffler i Joseph Lizer z Uniwersytetu w Sydney.

Finanse

Badanie to było wspierane przez Uniwersytet w Sydney i Australijsko-Amerykańską Komisję Fulbrighta.

Informacje o badaniach z zakresu neuronauki obliczeniowej

autor: Nicole Wilkins
źródło: Uniwersytet Kalifornijski
Komunikacja: Nicole Wilkins – Uniwersytet Kalifornijski
zdjęcie: Zdjęcie przypisane Neuroscience News

Oryginalne wyszukiwanie: Otwarty dostęp.
Dynamiczne uczenie się online i pamięć sekwencyjna z wykorzystaniem nanodrutowych sieci neuronowych„James Gemzewski i in. Komunikacja przyrodnicza


podsumowanie

Dynamiczne uczenie się online i pamięć sekwencyjna z wykorzystaniem nanodrutowych sieci neuronowych

Sieci nanoprzewodowe (NWN) należą do wyłaniającej się klasy systemów neuronowych, które wykorzystują unikalne właściwości fizyczne materiałów nanostrukturalnych. Oprócz swojej struktury fizycznej przypominającej sieć neuronową, NWN wykazują również rezystancyjne przełączanie pamięci w odpowiedzi na sygnał elektryczny z powodu zmian przewodnictwa przypominających synapsy na złączach krzyżowych między nanodrutami i nanodrutami.

READ  Badania genetyczne sugerują, że przodkowie ludzkości prawie nie żyją

Poprzednie badania wykazały, w jaki sposób dynamikę neuromorficzną generowaną przez NWN można wykorzystać w zadaniach związanych z uczeniem się temporalnym.

Badanie to dodatkowo poszerza te ustalenia, demonstrując uczenie się online dynamicznych cech czasoprzestrzennych przy użyciu klasyfikacji obrazów i zadań przywoływania pamięci szeregowej zastosowanych w urządzeniu NWN.

W zastosowaniu do zadania klasyfikacji odręcznych cyfr MNIST, dynamiczna nauka online przy użyciu urządzenia NWN osiąga ogólną dokładność 93,4%.

Ponadto znajdujemy związek pomiędzy trafnością klasyfikacji dla kategorii liczb nieparzystych a wzajemną informacją. Zadanie pamięci sekwencji ujawnia, w jaki sposób wzorce pamięci osadzone w funkcjach dynamicznych umożliwiają naukę online i przywoływanie czasoprzestrzennego wzorca sekwencji.

Ogólnie rzecz biorąc, wyniki te stanowią dowód słuszności koncepcji uczenia się online dynamiki czasoprzestrzennej przy użyciu NWN i pokazują, w jaki sposób pamięć może usprawnić uczenie się.