Hírlevél: Mielőtt továbblépnénk, engedje meg, hogy bemutassam a „https://aimlbox.com” AI és ML hírlevelemet, amelyben rendszeresen közzéteszem az ország határaival kapcsolatos frissítéseket. gépi intelligencia a kutatói közösségben és az iparban.
Aiml.Cafe márkaépítés: Ha további támogatást szeretne kapni, és meg szeretne érteni néhány remek "aiml.cafe-design"-t, látogasson el az "AimlCafe Designs" oldalra.
A „mesterséges intelligencia” 1955-ös kezdete óta az egyetlen titkos kulcsfontosságú összetevő, amely megmaradt, a mesterséges neuron. A mesterséges neuront úgy tervezték, hogy szimulálja egy biológiai neuron alapvetőfunkcióit:
szabályozott jel kibocsátására, amikor valami hasonlót tanul vagy lát, mint amit már megtanult.
Mivel a mai neurális hálózatok mélyebbek és nagyrészt összetettek, az ilyen hálózatok gyakran több millió összekapcsolt neuronból állnak. Az ilyen hálózatokban egy neuron kimenete a következő réteg neuronjának bemenetévé válik. Ezeknek a bemeneti jeleknek az előkészítése egy nemlineáris aktiváló matematikai függvény alkalmazásából áll, mint például a ReLU, sigmoid stb.
Sajnos ennek a funkciónak az adatkészleten való alkalmazása sok számítási teljesítményt és eszközáramkört igényel, mivel ez magában foglalja az adatok oda-vissza átvitelét két különálló egység – a memória és a külső processzor – között.
A probléma enyhítésére a Kaliforniai Egyetem San Diego kutatói kifejlesztettek egy nanométer méretű eszközt, amely hatékonyan képes végrehajtani az aktiválási funkciót. A kifejlesztett „új mesterséges neuroneszköz” 100-1000-szer kevesebb energiát és területet fogyaszt, mint a meglévő CMOS-alapú hardver a neurális hálózatok futtatásához.
"Egyetlen nanoméretű mesterséges neuron eszközt fejlesztettünk ki, amely ezeket a számításokat hardverben valósítja meg, nagyon terület- és energiahatékony módon." - Duygu Kuzum, az UC San Diego Jacobs Műszaki Iskola elektro- és számítástechnikai professzora
Mesterséges idegsejt-eszközük jelenleg az egyik leggyakrabban használt aktiválási funkciót valósítja meg a neurális hálózatokban, az úgynevezett egyenirányított lineáris egységet (ReLU).
Az eszköz megvalósításához a kutatók először egy sor ilyen aktiváló (vagy neuron) eszközt készítettek, valamint egy szinaptikus eszköztömböt.
Ezután integrálták a két tömböt egy egyedi nyomtatott áramköri lapra, és összekapcsolták őket, hogy létrehozzák a neurális hálózat hardveres változatát.
A kutatók ezután a hálózat segítségével feldolgozták a San Diego-i Egyetem Geisel Könyvtárának képét. A hálózat egyfajta képfeldolgozást hajtott végre, az úgynevezett "élérzékelést".
"Ez a kísérlet bebizonyította, hogy az integrált hardverrendszer képes olyan konvolúciós műveleteket végrehajtani, amelyek sokféle mély neurális hálózathoz nélkülözhetetlenek." — www.eurekalert.org
A kutatók azt mondták, hogy a technológiát más összetett feladatok elvégzésére is fel lehet fejleszteni, mint például az arc- és tárgyfelismerést az önvezető autókban.
„Jelenleg ez a koncepció bizonyítéka. Ez egy apró rendszer, amelyben csak egy szinapszis réteget halmoztunk fel egy aktiváló réteggel. Ha több ilyet halmozunk egymásra, összetettebb rendszert hozhatunk létre a különböző alkalmazásokhoz.” - Duygu Kuzum
Ha ezt a fejlődést és a képzeletbeli matematikai konstrukció helyett a fizikai neuronok használatának előnyeit nézzük, nyilvánvaló, hogy ezeknek a neuronoknak az alkalmazása jelenti a haladást a modern neurális hálózati alkalmazásokban.
