Samuag
New member
Nature Machine Intelligence’ta yayınlanan araştırmaya göre, nöromorfik teknoloji, büyük derin öğrenme ağları için başka yapay zekâ sistemlerine göre on altı kata kadar daha fazla güç verimliliği sağlıyor.
TU Graz’ın Teorik Bilgisayar Bilimi Enstitüsü ve Intel Labs, büyük bir hudut ağının, nöromorfik donanım üzerinde çalışırken nöromorfik olmayan donanıma kıyasla dört ila on altı kat daha az güç tükettiğini ve cümleler üzere dizileri işleyebileceğini birinci kere deher neysel olarak gösterdi. Bu yeni araştırma, biyolojik beyinde bulunanlar üzere fonksiyon goren yongalar oluşturmak için sinirbilimindeki içgörülerden yararlanan, Intel Labs’ın Loihi nöromorfik araştırma yongasına dayanıyor.
Araştırma, Avrupa genelinde insan beynini araştıran 500’den çok biliminsanı ve mühendisle dünyanın en büyük araştırma projelerinden biri olan The Human Brain Project (İnsan Beyni Projesi – HBP) tarafınca finanse edildi. Araştırmanın sonuçları Nature Machine Intelligence’ta “Memory for AI Applications in Spike-based Neuromorphic Hardware” (“Spike tabanlı Nöromorfik Donanımda Yapay Zeka Uygulamaları için Bellek” -DOI 10.1038/s42256-022-00480-w) başlıklı makalede yayınlandı.
Dünya çapındaki yapay zekâ (AI) araştırmaları, objeleri ve ortalarındaki alakaları özerk olarak tanıyabilen ve anlayabilen akıllı makinelere ve zeki bilgisayarlara odaklanır. Güç tüketimi ise, yapay zekâ formlarının daha geniş bir biçimde uygulanmasının önünde kıymetli bir mahzur teşkil ediyor. Nöromorfik süratle gelişen teknolojinin hakikat istikamette atılmış bir adım olduğu umuluyor. Nöromorfik teknoloji, güç kullanması açısından son derece verimli olan insan beynini model alır. Yüz milyar nöron, bilgiyi işlemek için sadece yaklaşık 20 watt tüketime gereksinim duyar ve bu, ortalama bir güç tasarruflu ampulün tüketiminden pek de fazla değildir.
Bu araştırmada, araştırmacılar zamansal süreçlerle çalışan algoritmalara odaklandılar. Örneğin, sistem daha evvel anlatılan bir kıssayla ilgili sorulara yanıt vermek ve objeler yahut beşerler içindeki ilgileri bağlamdan anlamak zorundaydı. Test edilen donanımlar, 32 Loihi yongadan oluşuyordu.
TU Graz Teorik Bilgisayar Bilimi Enstitüsü’nde doktora öğrencisi olan Philipp Plank, “Sistemimizin, konvansiyonel donanımlardaki öbür yapay zekâ modellerine nazaran dört ila on altı kat daha fazla güç verimliliği sağladığı görüldü,” diyor. Bu modeller, yongadan yongaya irtibat performansını büyük ölçüde artıran daha sonraki jenerasyon Loihi donanımlarına taşındığından, Plank daha da fazla verimlilik çıkarı bekliyor.
Intel’in Neuromorphic Computing Lab (Nöromorfik Bilgisayar Laboratuvarları) yöneticisi Mike Davies ise, “Intel’in Loihi araştırma yongaları, bilhassa yüksek güç maliyetlerini düşürerek yapay zekâda çıkar sağlamayı vaat ediyor,” diyor ve şöyleki ekliyor: “TU Graz ile yürüttüğümüz çalışma, nöromorfik süratle gelişen teknolojinin, günümüzün derin öğrenme uygulamalarını biyolojik bir bakış açısıyla bir daha kıymetlendirerek güç verimliliğini artırabileceğine ait daha fazla ispat sağlıyor.”
Philipp Plank’ın Teorik Bilgisayar Bilimleri Enstitüsü’ndeki doktora danışmanı olan Wolfgang Maass’ın deklare ettiğı üzere, araştırmacılar nöromorfik ağlarda beynin var iseyılan bir hafıza sistemini bir daha yarattılar: “Deher neysel çalışmalar, insan beyninin, sinirsel aktivite olmadığında bile, bilhassa nöronların ‘iç değişkenleri’ olarak bilinenlerde, kısa bir süre için bilgi depolayabildiğini gösterdi. Simülasyonlara nazaran, bu kısa periyodik hafıza için nöronların bir alt kümesini içeren bir yorgunluk düzeneği gerekli.”
Bu iç değişkenler çabucak hemen ölçülemediğinden, direkt ispat bulunmuyor. Lakin bu, ağın daha evvel işlediği ayrıntıları bir daha oluşturmak için o sırada hangi nöronların yorulduğunu test etmesi gerektiği manasına geliyor. Diğer bir deyişle, geçmiş bilgiler, nöronların aktivitesizliğinde saklanır ve en düşük güç aktivitesizlik durumunda tüketilir
Araştırmacılar, bu hedefle iki cins derin öğrenme ağını ilişkilendirdi. Geribildirim hudut ağları, “sısa müddetli hafıza”dan sorumlu. yenidenlayan modüller olarak isimlendirilen bu tıp biroldukca modül, girdi sinyalinden muhtemel ilgili ayrıntıları filtreliyor ve saklıyor. Akabinde ileri bildirim ağı, mevcut bakılırsavi çözmek için hangi alakaların kıymetli olduğunu belirliyor. Anlamsız alakalar taranarak atılıyor ve nöronlar sırf ilgili ayrıntıların bulunduğu modüllerde aktifleşiyor. Ve bu süreç, sonunda güç tasarruflarıyla sonuçlanıyor.
Davies, “Gelecekte, yinelayan sinirsel yapıların nöromorfik donanımlarda çalışan uygulamalar için en büyük hasılatları sağlaması bekleniyor,” diye belirtiyor ve ekliyor: “Loihi üzere nöromorfik donanımlar, beyinde tespit ettiğimiz ve en yüksek güç verimliliği sağlayan yapay zekâ uygulamaları için gerekli süratli, seyrek ve öngörülemeyen ağ aktifliği modellerini desteklemek üzere eşsiz bir biçimde uyarlanıyor.”
TU Graz’ın Teorik Bilgisayar Bilimi Enstitüsü ve Intel Labs, büyük bir hudut ağının, nöromorfik donanım üzerinde çalışırken nöromorfik olmayan donanıma kıyasla dört ila on altı kat daha az güç tükettiğini ve cümleler üzere dizileri işleyebileceğini birinci kere deher neysel olarak gösterdi. Bu yeni araştırma, biyolojik beyinde bulunanlar üzere fonksiyon goren yongalar oluşturmak için sinirbilimindeki içgörülerden yararlanan, Intel Labs’ın Loihi nöromorfik araştırma yongasına dayanıyor.
Araştırma, Avrupa genelinde insan beynini araştıran 500’den çok biliminsanı ve mühendisle dünyanın en büyük araştırma projelerinden biri olan The Human Brain Project (İnsan Beyni Projesi – HBP) tarafınca finanse edildi. Araştırmanın sonuçları Nature Machine Intelligence’ta “Memory for AI Applications in Spike-based Neuromorphic Hardware” (“Spike tabanlı Nöromorfik Donanımda Yapay Zeka Uygulamaları için Bellek” -DOI 10.1038/s42256-022-00480-w) başlıklı makalede yayınlandı.
Dünya çapındaki yapay zekâ (AI) araştırmaları, objeleri ve ortalarındaki alakaları özerk olarak tanıyabilen ve anlayabilen akıllı makinelere ve zeki bilgisayarlara odaklanır. Güç tüketimi ise, yapay zekâ formlarının daha geniş bir biçimde uygulanmasının önünde kıymetli bir mahzur teşkil ediyor. Nöromorfik süratle gelişen teknolojinin hakikat istikamette atılmış bir adım olduğu umuluyor. Nöromorfik teknoloji, güç kullanması açısından son derece verimli olan insan beynini model alır. Yüz milyar nöron, bilgiyi işlemek için sadece yaklaşık 20 watt tüketime gereksinim duyar ve bu, ortalama bir güç tasarruflu ampulün tüketiminden pek de fazla değildir.
Bu araştırmada, araştırmacılar zamansal süreçlerle çalışan algoritmalara odaklandılar. Örneğin, sistem daha evvel anlatılan bir kıssayla ilgili sorulara yanıt vermek ve objeler yahut beşerler içindeki ilgileri bağlamdan anlamak zorundaydı. Test edilen donanımlar, 32 Loihi yongadan oluşuyordu.
TU Graz Teorik Bilgisayar Bilimi Enstitüsü’nde doktora öğrencisi olan Philipp Plank, “Sistemimizin, konvansiyonel donanımlardaki öbür yapay zekâ modellerine nazaran dört ila on altı kat daha fazla güç verimliliği sağladığı görüldü,” diyor. Bu modeller, yongadan yongaya irtibat performansını büyük ölçüde artıran daha sonraki jenerasyon Loihi donanımlarına taşındığından, Plank daha da fazla verimlilik çıkarı bekliyor.
Intel’in Neuromorphic Computing Lab (Nöromorfik Bilgisayar Laboratuvarları) yöneticisi Mike Davies ise, “Intel’in Loihi araştırma yongaları, bilhassa yüksek güç maliyetlerini düşürerek yapay zekâda çıkar sağlamayı vaat ediyor,” diyor ve şöyleki ekliyor: “TU Graz ile yürüttüğümüz çalışma, nöromorfik süratle gelişen teknolojinin, günümüzün derin öğrenme uygulamalarını biyolojik bir bakış açısıyla bir daha kıymetlendirerek güç verimliliğini artırabileceğine ait daha fazla ispat sağlıyor.”
Philipp Plank’ın Teorik Bilgisayar Bilimleri Enstitüsü’ndeki doktora danışmanı olan Wolfgang Maass’ın deklare ettiğı üzere, araştırmacılar nöromorfik ağlarda beynin var iseyılan bir hafıza sistemini bir daha yarattılar: “Deher neysel çalışmalar, insan beyninin, sinirsel aktivite olmadığında bile, bilhassa nöronların ‘iç değişkenleri’ olarak bilinenlerde, kısa bir süre için bilgi depolayabildiğini gösterdi. Simülasyonlara nazaran, bu kısa periyodik hafıza için nöronların bir alt kümesini içeren bir yorgunluk düzeneği gerekli.”
Bu iç değişkenler çabucak hemen ölçülemediğinden, direkt ispat bulunmuyor. Lakin bu, ağın daha evvel işlediği ayrıntıları bir daha oluşturmak için o sırada hangi nöronların yorulduğunu test etmesi gerektiği manasına geliyor. Diğer bir deyişle, geçmiş bilgiler, nöronların aktivitesizliğinde saklanır ve en düşük güç aktivitesizlik durumunda tüketilir
Araştırmacılar, bu hedefle iki cins derin öğrenme ağını ilişkilendirdi. Geribildirim hudut ağları, “sısa müddetli hafıza”dan sorumlu. yenidenlayan modüller olarak isimlendirilen bu tıp biroldukca modül, girdi sinyalinden muhtemel ilgili ayrıntıları filtreliyor ve saklıyor. Akabinde ileri bildirim ağı, mevcut bakılırsavi çözmek için hangi alakaların kıymetli olduğunu belirliyor. Anlamsız alakalar taranarak atılıyor ve nöronlar sırf ilgili ayrıntıların bulunduğu modüllerde aktifleşiyor. Ve bu süreç, sonunda güç tasarruflarıyla sonuçlanıyor.
Davies, “Gelecekte, yinelayan sinirsel yapıların nöromorfik donanımlarda çalışan uygulamalar için en büyük hasılatları sağlaması bekleniyor,” diye belirtiyor ve ekliyor: “Loihi üzere nöromorfik donanımlar, beyinde tespit ettiğimiz ve en yüksek güç verimliliği sağlayan yapay zekâ uygulamaları için gerekli süratli, seyrek ve öngörülemeyen ağ aktifliği modellerini desteklemek üzere eşsiz bir biçimde uyarlanıyor.”