Computers en kunstmatige intelligentie zorgen nog steeds voor grote veranderingen in de manier waarop mensen winkelen. Het is relatief eenvoudig om het brein van een robot te trainen om een ​​boodschappenlijstje te maken, maar hoe zit het met ervoor te zorgen dat de gerobotiseerde shopper gemakkelijk het verschil kan zien tussen de duizenden producten in de winkel?

Purdue University-onderzoekers en experts op het gebied van door de hersenen geïnspireerde computers denken dat een deel van het antwoord te vinden is in magneten. De onderzoekers hebben een proces ontwikkeld om magnetisme met hersenachtige netwerken te gebruiken voor het programmeren en aanleren van apparaten zoals persoonlijke robots, zelfrijdende auto's en drones om beter te generaliseren over verschillende objecten.

"Onze stochastische neurale netwerken proberen bepaalde activiteiten van het menselijk brein na te bootsen en te berekenen via een verbinding van neuronen en synapsen, " zei Kaushik Roy, Purdue's Edward G. Tiedemann Jr. Distinguished Professor in Electrical and Computer Engineering. "Hierdoor kan het computerbrein niet alleen informatie opslaan, maar ook goed generaliseren over objecten en vervolgens gevolgtrekkingen maken om beter te presteren in het onderscheiden van objecten."

Roy presenteerde de technologie eerder deze maand tijdens de jaarlijkse German Physical Sciences Conference in Duitsland. Het werk verscheen ook in de Grenzen in de neurowetenschappen .

De schakeldynamiek van een nanomagneet is vergelijkbaar met de elektrische dynamiek van neuronen. Magnetische tunnelovergangen vertonen schakelgedrag, wat stochastisch van aard is.

Het stochastische schakelgedrag is representatief voor een sigmoïde schakelgedrag van een neuron. Dergelijke magnetische tunnelovergangen kunnen ook worden gebruikt om synaptische gewichten op te slaan.

De Purdue-groep stelde een nieuw stochastisch trainingsalgoritme voor synapsen voor met behulp van spike timing-afhankelijke plasticiteit (STDP), stochastisch-STDP genoemd, die experimenteel is waargenomen in de hippocampus van de rat. Het inherente stochastische gedrag van de magneet werd gebruikt om de magnetisatietoestanden stochastisch om te schakelen op basis van het voorgestelde algoritme voor het leren van verschillende objectrepresentaties.

De getrainde synaptische gewichten, deterministisch gecodeerd in de magnetisatietoestand van de nanomagneten, worden vervolgens gebruikt tijdens de inferentie. voordelig, het gebruik van hoogenergetische barrièremagneten (30-40KT waarbij K de Boltzmann-constante is en T de bedrijfstemperatuur) maakt niet alleen compacte stochastische primitieven mogelijk, maar maakt het ook mogelijk om hetzelfde apparaat te gebruiken als een stabiel geheugenelement dat voldoet aan de vereisten voor het bewaren van gegevens. Echter, de barrièrehoogte van de nanomagneten die worden gebruikt om sigmoïde-achtige neuronale berekeningen uit te voeren, kan worden verlaagd tot 20KT voor een hogere energie-efficiëntie.

"Het grote voordeel van de magneettechnologie die we hebben ontwikkeld, is dat deze zeer energiezuinig is, " zei Roy, die leiding geeft aan Purdue's Center for Brain-inspired Computing die autonome intelligentie mogelijk maakt. "We hebben een eenvoudiger netwerk gecreëerd dat de neuronen en synapsen vertegenwoordigt, terwijl het de hoeveelheid geheugen en energie comprimeert die nodig is om functies uit te voeren die vergelijkbaar zijn met hersenberekeningen."

Roy zei dat de hersenachtige netwerken ook andere toepassingen hebben bij het oplossen van moeilijke problemen, inclusief combinatorische optimalisatieproblemen zoals het handelsreizigersprobleem en grafiekkleuring. De voorgestelde stochastische apparaten kunnen fungeren als "natuurlijke uitgloeier", het helpen van de algoritmen om uit lokale minima's te komen.