Whetstone, una herramienta de software que agudiza la producción de neuronas artificiales, ha permitido que las redes de computadoras neuronales procesen información hasta cien veces más eficientemente que el estándar actual de la industria, dicen los investigadores de Sandia National Laboratories que la desarrollaron.
Se espera que el software con el nombre adecuado, que reduce en gran medida la cantidad de circuitos necesarios para realizar tareas autónomas, aumente la penetración de la inteligencia artificial en los mercados de teléfonos móviles, automóviles autónomos e interpretación automática de imágenes.
"En lugar de enviar interminables goteos de información de energía", dijo el neurocientífico de Sandia Brad Aimone, "las neuronas artificiales entrenadas por Whetstone liberan energía en picos, al igual que las neuronas humanas".
Las empresas de inteligencia artificial más grandes han producido herramientas de punta para sus propios productos, pero ninguna es tan rápida o eficiente como Whetstone, dice el matemático de Sandia William Severa. "Las grandes empresas son conscientes de este proceso y han construido sistemas similares, pero a menudo su trabajosolo para sus propios diseños. Whetstone funcionará en muchas plataformas neuronales ".
El código de fuente abierta apareció recientemente en un artículo técnico en Inteligencia de la máquina de la naturaleza y ha sido propuesto por Sandia para una patente.
Cómo agudizar las neuronas
Las neuronas artificiales son básicamente condensadores que absorben y suman cargas eléctricas que luego liberan en pequeñas ráfagas de electricidad. Los chips de computadora, denominados "sistemas neuromórficos", ensamblan redes neuronales en grandes grupos que imitan el cerebro humano enviando estímulos eléctricos a las neuronas que disparansin orden predecible. Esto contrasta con un procedimiento de bloqueo más utilizado por las computadoras de escritorio con sus procesos electrónicos preestablecidos.
Debido a su disparo al azar, los sistemas neuromórficos a menudo son más lentos que las computadoras convencionales, pero también requieren mucha menos energía para funcionar. También requieren un enfoque diferente para la programación porque de lo contrario sus neuronas artificiales se disparan con demasiada frecuencia o no lo suficiente, lo cual ha sido un problemaproblema para ponerlos en línea comercialmente.
Whetstone, que funciona como un código de computadora suplementario agregado a programas de entrenamiento de software más convencionales, entrena y agudiza las neuronas artificiales al aprovechar aquellas que se disparan solo cuando se ha recopilado una cantidad suficiente de energía lectura, información.ha demostrado su eficacia en la mejora de las redes neuronales estándar y está en proceso de evaluación para la tecnología emergente de los sistemas neuromórficos.
Catherine Schuman, investigadora de redes neuronales en los Laboratorios Nacionales de Oak Ridge, dijo: "Whetstone es una herramienta importante para la comunidad neuromórfica. Proporciona una forma estandarizada de entrenar redes neuronales tradicionales que pueden desplegarse en sistemas neuromórficos, que previamentehecho de manera ad hoc "
El maestro estricto
El proceso de Whetstone, dijo Aimone, se puede visualizar como el control de una clase de estudiantes de primaria locuaces que tienen la tarea de identificar un objeto en el escritorio de su maestro. Antes de Whetstone, los estudiantes enviaban un flujo continuo de entrada del sensor a su anteriormente abrumadomaestro, que tuvo que escucharlo todo, cada golpe y risa, por así decirlo, antes de pasar una decisión al sistema neuronal. Esta gran cantidad de información a menudo requiere un cálculo basado en la nube para procesar, o la adición demás equipo de cómputo local combinado con un fuerte aumento de la energía eléctrica. Ambas opciones aumentan el tiempo y el costo de los productos comerciales de inteligencia artificial, disminuyen su seguridad y privacidad y hacen que su aceptación sea menos probable.
Bajo Whetstone, su nuevo maestro estricto solo presta atención a una simple medida de "sí" o "no" de cada estudiante, cuando levantan la mano con una solución, en lugar de todo lo que dicen. Supongamos, por ejemplo,la intención es identificar si un pedazo de fruta verde en el escritorio del maestro es una manzana. Cada estudiante es un sensor que puede responder a una calidad diferente de lo que puede ser una manzana: ¿tiene la calidad correcta de olor, sabor y textura?¿Y así sucesivamente? Y mientras el estudiante que busca el rojo puede votar "no", el otro estudiante que busca el verde votará "sí". Cuando el número de respuestas, sí o no, es eléctricamente lo suficientemente alto como para activar la capacidad de la neuronapara disparar, ese simple resultado, en lugar de interminables gofres, ingresa al sistema neuronal general.
Si bien las simplificaciones de Whetstone podrían aumentar los errores, la abrumadora cantidad de neuronas participantes, a menudo más de un millón ¬ proporciona información que compensa estadísticamente las imprecisiones introducidas por la simplificación de datos, dijo Severa, responsable de las matemáticas deprograma.
"Combinar información interna demasiado detallada con la gran cantidad de neuronas que informan es una especie de doble reserva", dice. "Es innecesario. Nuestros resultados nos dicen que la forma clásica, calcular todo sin simplificar, es un desperdicio. Esoes por eso que podemos ahorrar energía y hacerlo bien "
Los programas parcheados funcionan mejor
El programa de software funciona mejor cuando se conecta a programas destinados a entrenar nuevos equipos de inteligencia artificial, por lo que Whetstone no tiene que superar los patrones aprendidos con mínimos de energía ya establecidos.
El trabajo es una continuación de un proyecto de Sandia llamado Aceleración de hardware de algoritmos neuronales adaptativos, que exploró plataformas neuronales en el trabajo apoyado por la oficina de Investigación y Desarrollo Dirigido por el Laboratorio de Sandia. El trabajo actual es apoyado por el Programa de Computación y Simulación Avanzada del Departamento de Energía.
Fuente de la historia :
Materiales proporcionado por DOE / Sandia National Laboratories . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :