磁铁可以帮助人工智能更接近人类大脑的效率

计算机和人工智能继续引领人们购物方式的重大变化。训练机器人的大脑来创建购物清单相对容易,但是如何确保机器人购物者能够轻松地分辨商店中数以千计的产品?

普渡大学的研究人员和大脑灵感计算专家认为,部分答案可能存在于磁铁中。研究人员已经开发出一种过程,利用类似脑状网络的磁性来编程和教授个人机器人,自动驾驶汽车和无人机等设备,以更好地概括不同的物体。

“我们的随机神经网络试图模仿人类大脑的某些活动,并通过神经元和突触的联系进行计算,”普渡大学的Edward G. Tiedemann Jr.电气和计算机工程杰出教授Kaushik Roy说。“这使得计算机大脑不仅可以存储信息,还可以很好地概括对象,然后做出推断,以更好地区分对象。”

罗伊在本月早些时候在德国举行的年度德国物理科学会议上介绍了该技术。这项工作也出现在神经科学的前沿。

纳米磁体的开关动力学类似于神经元的电动力学。磁隧道结器件显示出开关行为,其本质上是随机的。

随机切换行为表示神经元的S形切换行为。这种磁隧道结也可用于存储突触权重。

Purdue小组提出了一种新的随机训练算法,用于使用尖峰定时依赖性可塑性(STDP),称为随机STDP,已经在大鼠的海马体中进行了实验观察。基于所提出的用于学习不同对象表示的算法,磁体的固有随机行为被用于随机地切换磁化状态。

然后在推断期间使用在纳米磁体的磁化状态下确定性编码的训练的突触权重。有利地,使用高能阻挡磁体(30-40KT,其中K是玻尔兹曼常数,T是工作温度)不仅允许紧凑的随机基元,而且还使相同的器件能够用作满足数据的稳定存储器元件。保留要求。然而,用于执行类似S形的神经元计算的纳米磁体的势垒高度可以降低到20KT以获得更高的能量效率。

“我们开发的磁铁技术的最大优势在于它非常节能,”领导普渡大学脑智能计算中心实现自主智能的罗伊说。“我们创建了一个更简单的网络,代表神经元和突触,同时压缩执行类似脑计算功能所需的内存和能量。”

罗伊表示,大脑般的网络在解决难题方面也有其他用途,包括组合优化问题,如旅行商问题和图形着色。所提出的随机装置可以充当“自然退火炉”,帮助算法摆脱局部最小值。

他们的工作与普渡大学的巨型飞跃庆祝活动保持一致,承认该大学在人工智能方面的全球进步是普渡大学成立150周年的一部分。这是为期一年的庆祝活动创意节的四个主题之一,旨在展示普渡大学作为解决现实问题的知识中心。

Roy曾与Purdue研究基金会技术商业化办公室合作,为C-BRIC的一些研究提供专利技术。他们正在寻找合作伙伴来授权该技术。