Naujas kompiuterio lustas imituoja mūsų nosies neuroschemą kvapui

Nabil Imam su Intel Loihi lustu. Intel

Iš visų dalykų, kuriuos gali padaryti mūsų smegenys, tai, kaip jos padeda mums užuosti, yra vienas geriausiai suprantamų. Kai kvapas patenka į mūsų nosies uoslės ląsteles, jos siunčia signalą į atitinkamą smegenų neuronų grupę, vadinamą uoslės lempute. Tada lemputė perduoda signalą į kitas smegenų dalis, kad galėtume įvertinti greipfruto kvepalus arba išvengti šiukšlių kvapo.

Uoslės svogūnėliai būdingi žinduoliams, tačiau kiti gyvūnai, pavyzdžiui, vabzdžiai, taip pat pasižymi panašiomis nervinėmis struktūromis. Tai reiškia, kad šiuose įgyvendinimuose tikriausiai yra kažkas gana esminio ir veiksmingo, jei evoliucija jas pasiekė skirtingais atvejais, sako Mike'as Daviesas, „Intel“ neuromorfinių skaičiavimų laboratorijos direktorius.

Ir todėl, kad jos yra tokios veiksmingos, ir todėl, kad mes jas taip gerai suprantame, uoslės sistemos yra puikus atspirties taškas neuromorfiniams lustams – naujo tipo kompiuterinei įrangai, kuri įkvėpimo semiasi tiesiai iš smegenų struktūros.

Pirmadienį „Intel“ mokslininkai paskelbė laikraštis Gamtoje kuriame siūlomas naujas neuromorfinis lusto dizainas, imituojantis uoslės lemputės struktūrą ir galimybes. Tyrėjai dirbo su uoslės neurofiziologais, kurie tiria gyvūnų smegenis, kai jie užuodžia. Jie sukūrė elektros grandinę, pagrįstą neuroninėmis grandinėmis, kurios aktyvuojasi, kai jų smegenys apdoroja kvapą, kurią būtų galima iškirpti ant silicio lusto. Jie taip pat sukūrė algoritmą, atspindintį elektros signalų, kurie pulsuoja per grandinę, elgesį. Kai jie apmokė lusto algoritmą, naudodami esamą 10 kvapų duomenų rinkinį, apibūdinamą pagal jų matavimus iš 72 skirtingų cheminių jutiklių, jie galėjo tiksliai atskirti juos naudodami daug mažiau mokymo pavyzdžių nei įprasta lustas.

Lustas vis dar yra gana ankstyvos stadijos prototipas, tačiau subrendęs jis gali būti naudojamas įvairioms reikmėms, pavyzdžiui, bombų uostymui ar kenksmingų dūmų aptikimui chemijos gamyklose. Tai taip pat parodo neuromorfinio skaičiavimo potencialą siekiant efektyvesnio duomenų naudojimo AI.

Šiuo metu populiariausi lustai, skirti paleisti pažangiausius giluminio mokymosi algoritmus, atitinka von Neumman architektūrą – projektavimo konvenciją, kuri dešimtmečius skatina skaičiavimo revoliuciją. Tačiau šios architektūros yra neefektyvūs besimokantys: jose veikiantys algoritmai reikalauja didžiulio mokymo duomenų kiekio, priešingai nei mūsų daug efektyvesnėms smegenims. Todėl neuromorfiniai lustai stengiasi kiek įmanoma išsaugoti smegenų struktūrą. Idėja yra ta, kad tokia artima mimika padidins lusto mokymosi efektyvumą. Iš tiesų, „Intel“ sėkmingai gavo lustą, kad galėtų mokytis iš labai nedaugelio pavyzdžių.

Žvelgiant į priekį, tyrėjų komanda planuoja patobulinti savo neuromorfinio lusto dizainą ir pritaikyti jį kitoms smegenų funkcijoms už kvapo. Daviesas sako, kad komanda greičiausiai atkreips dėmesį į viziją ar prisilietimą, tačiau turi ilgalaikių ambicijų spręsti sudėtingesnius procesus. Mūsų jutimo mechanizmai yra natūrali vieta pradėti, nes jie yra gerai suprantami, sako jis. Bet tam tikra prasme mes judame į smegenis ir patenkame į smegenis iki vykstančių aukštesnio laipsnio mąstymo procesų.

paslėpti