Nopeita ja likvidejä neuroverkkoja

Tohtori Xingyuan (Mike) Xu ja integroitu optinen mikrokampasiru, joka muodostaa optisen neuromorfisen prosessorin ytimen.

Swinburnen teknillisen yliopiston johtama kansainvälinen tutkijaryhmä on toteuttanut maailman nopeimman ja tehokkaimman optisen neuromorfisen prosessorin. Keinotekoiset neuroverkot ovat tekoälyn keskeinen muoto ja ne voivat 'oppia' ja suorittaa monimutkaisia operaatioita vaikkapa konenäon, puheen kääntämisen ja lääketieteelliseen diagnoosin aluilla.

Tutkijoiden neuroprosessori voi ajaa yli 10 teraoperaatiota sekunnissa ja pystyy käsittelemään erittäin laajamittaista dataa. Siten kykenee käsittelemään esimerkiksi erittäin suurikokoisia kuvia, riittävästi kasvojen täydellisen tunnistuksen saavuttamiseksi, mitä muut optiset prosessorit eivät ole kyenneet saavuttamaan.

Läpimurto saavutettiin optisilla mikrokammoilla eli samalla keskeisellä sirulla kuin maailmanennätyksellinen 44,2 terabittiä sekunnissa Internet-tiedonsiirtonopeus, josta kerrottiin toukokuussa 2020.

Mikrokammat ovat suhteellisen uusia laitteita, jotka koostuvat sadoista korkealaatuisista infrapunalasereista yhdellä sirulla. Ne ovat paljon nopeampia, pienempiä, kevyempiä ja halvempia kuin mikään muu optinen lähde.

MIT:n tutkijat ovat puolestaan kehittäneet neuroverkon, joka oppii työn aikana, eikä pelkästään sen koulutusvaiheessa. Sen joustavat algoritmit, jotka on nimetty ”likvideiksi” verkoiksi, muuttavat taustalla olevia yhtälöitä mukautuakseen jatkuvasti tulevaan uuteen dataan. Edistys voisi auttaa päätöksentekoa datavirtojen perusteella, jotka muuttuvat ajan myötä, mukaan lukien lääketieteellinen diagnoosi ja ajoneuvon itsenäinen ajaminen.

"Tämä on tie robottien hallinnan, luonnollisen kielenkäsittelyn, videonkäsittelyn - minkä tahansa aikasarjadatan käsittelyn - tulevaisuuden kannalta", kertoo tutkimuksen johtava kirjoittaja Ramin Hasani. "Potentiaali on todella merkittävä."

Hasani käytti neuroverkkonsa rakentamiseen yhtälöitä, joissa hän antoi parametrien muuttua ajan myötä sisäkkäisten differentiaaliyhtälöjoukkojen tulosten perusteella. Tämä joustavuus on avainasemassa. Suurin osa neuroverkkojen käyttäytymisestä on kiinnitetty harjoitteluvaiheen jälkeen. Hasanin "likvidin" verkon rakenne tekee siitä joustavamman odottamattomalle datalle, kuten jos rankkasade peittää kameran näkymän itseajavassa autossa.

Lisäksi se on tulkittavampi. Johtuen sen pienestä määrästä erittäin ilmaisevia neuroneja, on helpompi kurkistaa verkon päätöksenteon "mustaan ruutuun" ja diagnosoida, miksi verkko teki tietyn karakterisoinnin.

Aiheesta aiemmin:

Konenäölle nyt myös konesilmät

Aivomaista tietotekniikkaa

Ennätyskorkeaa datansiirtoa yhdellä lähettimellä