Aivojen kaltainen siru tulkitsee neuroyhteyksiä reaaliajassa

Kyky analysoida aivojen neuroyhteyksiä on nousemassa keskeiseksi perustaksi aivo-tietokone rajapinnan teknologioille (BCI), kuten tekoraajojen ohjaamiselle ja ihmisen älykkyyden parantamiselle.

Näiden analyysien tarkempien ominaisuuksien saavuttamiseksi on kriittistä tulkita nopeasti ja tarkasti monimutkaisia signaaleja monista aivojen neurosoluista.

Tri Jongkil Park ja hänen tiiminsä Korean tiede- ja teknologiainstituutin (KIST) puolijohdeteknologian tutkimuskeskuksessa ovat esitelleet uuden lähestymistavan, joka jäljittelee aivojen oppimisperiaatteita.

Tiimi kehitti piikkien ajoituksesta riippuvan plastisuuden (STDP) periaatteen, jossa aivot säätävät yhteyksien voimakkuutta neuronien välisten signaalien laukaisujärjestyksen perusteella. Tämä mahdollistaa aivojen neuroverkon kytkösten oppimisen reaaliajassa ilman, että kaikkien neuronien aktiivisuutta tarvitsee tallentaa.

Perinteisissä tekniikoissa neurosolujen aktiivisuusdataa tallennetaan pitkäksi aikaa, minkä jälkeen tarvitaan neuronien välisten yhteyksien laskemista tilastollisilla menetelmillä. Tämä menetelmä vaatii valtavia laskentatehoja ja aiheuttaa viiveitä verkon koon kasvaessa, mikä tekee reaaliaikaisen analyysin käytännössä mahdottomaksi ympäristöissä, joissa useita signaaleja esiintyy samanaikaisesti, kuten aivoissa.

KIST-tutkijat ovat kehittäneet uuden oppimisalgoritmin, joka voi merkittävästi vähentää STDP:n laitteistototeutuksen vaatimaa suurta muistia. Poistamalla muistia kuluttavan "käänteisen hakutaulukon" tekniikka mahdollistaa STDP:n toteuttamisen skaalautuvassa rakenteessa jopa erittäin integroidulla neuromorfisella piiritekniikalla.

Tämän seurauksena "sirulle sijoitettu oppimiseen perustuva neuromorfinen järjestelmä" saavutti jopa 20 000 kertaa nopeamman prosessointinopeuden säilyttäen samalla samanlaisen tulkintatarkkuuden kuin olemassa olevat perinteiset tekniikat.

Neuromorfisuuden tekniikka on sellaisia tulevaisuuden tekoälypuolijohteita, jotka jäljittelevät aivojen neuroverkon rakennetta ja oppimiskäyttäytymistä ihmisen kognition emuloimiseksi. Se on strateginen investointikohde suurille teollisuusmaille, kuten Yhdysvalloille ja Euroopalle, teknologisen hegemonian varmistamiseksi.

Kaupallistaminen on kuitenkin ollut vaikeaa, koska ei ole olemassa erityistä sovellusaluetta eli "tappajasovellusta", joka voisi olla yhtä hyödyllinen kuten aivot.

Tässä tilanteessa KIST-tutkijoiden "reaaliaikainen aivojen neuroyhteyksien analyysin" -teknologia on esimerkki neuromorfisen käytännön sovelluksen demonstroinnista ja tärkeä saavutus, joka merkitsee käännekohtaa seuraavan sukupolven tekoälypuolijohteiden kaupallistamisessa.

”Tämä saavutus on tärkeä käännekohta neuromorfisen laskennan kehityksessä tehokkaaksi työkaluksi reaalimaailman ongelmien ratkaisemiseen”, sanoo KIST:n tohtori Park Jongkil. ”Yksinkertaisen piirirakenteensa ja helpon skaalautuvuutensa ansiosta sitä voidaan soveltaa edistyneillä tekoälyaloilla, kuten autonomisissa ajoneuvoissa ja satelliittiviestinnässä, ohjaamalla laitteita pelkällä ajatuksella tai kopioimalla tiettyjä aivotoimintoja sekä analysoimalla monimutkaisia anturisignaaleja reaaliajassa, missä aikasekvenssit ja syy-seuraussuhteet ovat ratkaisevan tärkeitä.”

Aiheesta aiemmin:

Keinotekoiset neuronit ja elävät solut

Ensimmäinen massamarkkinoiden neuromorfinen mikro-ohjain

Neurokvanttihyppy optimaalisten ratkaisujen löytämisessä