Pedra de amolar, uma ferramenta de software que aprimora a produção de neurônios artificiais, permitiu que as redes neurais de computadores processassem informações até cem vezes mais eficientemente do que o padrão atual da indústria, dizem os pesquisadores do Sandia National Laboratories que o desenvolveram.

O software apropriadamente nomeado, o que reduz muito a quantidade de circuitos necessários para realizar tarefas autônomas, espera-se que aumente a penetração da inteligência artificial nos mercados de telefones celulares, carros autônomos e interpretação automatizada de imagens.

"Em vez de enviar informações infindáveis ​​de energia, "O neurocientista de Sandia Brad Aimone disse:"neurônios artificiais treinados por Whetstone liberam energia em picos, muito parecido com os neurônios humanos. "

As maiores empresas de inteligência artificial produziram ferramentas de spiking para seus próprios produtos, mas nenhum é tão rápido ou eficiente quanto Whetstone, diz o matemático Sandia William Severa. “Grandes empresas estão cientes desse processo e já construíram sistemas semelhantes, mas muitas vezes os deles funcionam apenas para seus próprios projetos. Whetstone funcionará em muitas plataformas neurais. "

O código-fonte aberto foi recentemente apresentado em um artigo técnico na Nature Machine Intelligence e foi proposto por Sandia para uma patente.

Como afiar neurônios

Os neurônios artificiais são basicamente capacitores que absorvem e somam cargas elétricas que, em seguida, liberam em minúsculas explosões de eletricidade. Chips de computador, denominado "sistemas neuromórficos, "reúna redes neurais em grandes agrupamentos que imitam o cérebro humano, enviando estímulos elétricos para neurônios disparando em uma ordem não previsível. Isso contrasta com um procedimento mais travado usado por computadores desktop com seus processos eletrônicos predefinidos.

Por causa de seus disparos aleatórios, Os sistemas neuromórficos costumam ser mais lentos do que os computadores convencionais, mas também requerem muito menos energia para funcionar. Eles também exigem uma abordagem diferente para a programação, porque caso contrário, seus neurônios artificiais disparam com muita ou pouca freqüência, o que tem sido um problema para colocá-los online comercialmente.

Pedra de amolar, que funciona como um código de computador suplementar agregado a programas de treinamento de software mais convencionais, treina e aprimora neurônios artificiais, aproveitando aqueles que aumentam apenas quando há uma quantidade suficiente de energia - leia, informações - foram coletadas. O treinamento provou ser eficaz na melhoria das redes neurais padrão e está em processo de avaliação para a tecnologia emergente de sistemas neuromórficos.

Catherine Schuman, pesquisador de redes neurais no Oak Ridge National Laboratories, disse, "Whetstone é uma ferramenta importante para a comunidade neuromórfica. Fornece uma maneira padronizada de treinar redes neurais tradicionais que podem ser implantadas em sistemas neuromórficos, que anteriormente era feito de maneira ad hoc. "

O professor rigoroso

O processo de Whetstone, Aimone disse, pode ser visualizado controlando uma classe de alunos falantes do ensino fundamental que têm a tarefa de identificar um objeto na mesa do professor. Antes de Whetstone, os alunos enviaram um fluxo contínuo de entrada do sensor para o professor antes sobrecarregado, que teve que ouvir tudo isso - cada solavanco e risada, por assim dizer - antes de passar uma decisão para o sistema neural. Essa enorme quantidade de informações muitas vezes requer computação baseada em nuvem para processar, ou a adição de mais equipamentos de computação locais combinados com um aumento acentuado na energia elétrica. Ambas as opções aumentam o tempo e o custo dos produtos comerciais de inteligência artificial, diminuir sua segurança e privacidade e tornar sua aceitação menos provável.

Sob a pedra de amolar, o professor recém-estrito só presta atenção a um simples "sim" ou "não" medição de cada aluno - quando eles levantam as mãos com uma solução, ao invés de tudo o que eles estão dizendo. Suponha, por exemplo, a intenção é identificar se um pedaço de fruta verde na mesa do professor é uma maçã. Cada aluno é um sensor que pode responder a uma qualidade diferente do que pode ser uma maçã:tem a qualidade correta de cheiro, gosto, textura e assim por diante? E enquanto o aluno que procura o vermelho pode votar "não", o outro aluno que procura o verde votaria "sim". Quando o número de respostas, ou sim ou não, é eletricamente alto o suficiente para acionar a capacidade do neurônio de disparar, aquele resultado simples, em vez de waffling interminável, entra no sistema neural geral.

Embora as simplificações de Whetstone possam potencialmente aumentar os erros, o número esmagador de neurônios participantes - muitas vezes mais de um milhão - fornece informações que estatisticamente compensam as imprecisões introduzidas pela simplificação dos dados, Severa disse, responsável pela matemática do programa.

"Combinar informações internas excessivamente detalhadas com o grande número de neurônios relatados é uma espécie de reserva dupla, "ele diz." É desnecessário. Nossos resultados nos mostram que a maneira clássica - calcular tudo sem simplificar - é um desperdício. É por isso que podemos economizar energia e fazer isso bem. "

Programas corrigidos funcionam melhor

O programa de software funciona melhor quando conectado a programas destinados a treinar novos equipamentos de inteligência artificial, assim, Whetstone não precisa superar os padrões aprendidos com mínimos de energia já estabelecidos.