Hunter

Működés közben tanul a szinaptikus tranzisztor

Az emberi agy körülbelül 86 milliárd neuronnal rendelkezik, amiket szinapszisok kötnek össze, melyek az agyi áramkörök erősítésével vagy gyengítésével folyamatosan alkalmazkodnak az ingerekhez. Ez az adaptív folyamat teszi lehetővé az agynak a tanulást.

Most a Harvard Egyetem anyagtudósai létrehoztak egy új típusú tranzisztort, ami a szinapszisok viselkedését utánozza. Shriram Ramanathan, a kutatás vezetője elmondta, az eszköz egyidejűleg modulálja az információáramlást az áramkörben, és alkalmazkodik fizikailag a váltakozó jelekhez. A fejlesztőcsapat szerint eszközük egy újfajta mesterséges intelligenciát vezethet be, ami nem egy szoftverbe, hanem magába a számítógép hardverébe fog beágyazódni, mindezt az energiahatékonyság jegyében, eddig ugyanis a sebesség volt az elsődleges.

Az emberi elme körülbelül 20 Watt energiával zakatol elképesztő hatékonysággal, nem véletlen, hogy a mérnökök szeretnének minél többet átültetni rendszereikbe a természet e csodájából. "Az általunk bemutatott tranzisztor valóban az emberi agy szinapszisának megfelelője" - mondta Jian Shi, a kutatócsoport tagja. "Minden alkalommal, amikor egy neuron valamilyen tevékenységet kezdeményez, egy másik neuron pedig erre reagál, a köztük levő szinapszis megnöveli a kapcsolat erősségét, és minél gyorsabbak a neuronok hullámai, annál erősebb a szinaptikus kapcsolat. Gyakorlatilag memorizálja a neuronok közötti cselekményt"

Agyunkban kalcium-ionok és receptorok idézik elő egy szinapszisban a változást, míg a mesterséges változat oxigén-ionokkal éri el ugyanezt a képlékenységet. Elektromosság alkalmazásakor ezek az ionok be- és kicsúsznak egy rendkívül vékony (80 nanométeres) szamárium-nikkelát hártya kristályrácsába, ami úgy viselkedik, mint egy szinaptikus csatorna két platina "axon" és "dendrit" terminál, a valódi neuronok nyúlványainak mesterséges megfelelői között. Az anyagok egy szokatlan osztályához, a korrelált elektronrendszerekhez tartozó nikkelátban az ionok váltakozó koncentrációja növeli vagy csökkenti a vezetőképességüket, amivel információt szállítanak egy elektromos feszültségben, és ahogy egy természetes szinapszis esetében, a kapcsolat erőssége az elektromos jel időbeli késleltetésétől függ.

Az eszköz két platina elektróda közé ágyazott nikkelát félvezetőből, valamint némi ionos folyadékból áll. Egy külső áramköri multiplexer alakítja a késleltetést feszültséggé, ami az ionos folyadékra hatva létrehoz egy elektromos mezőt, ami vagy a nikkelátba vezeti az ionokat, vagy eltávolítja azokat. A teljes eszköz, ami csupán néhány száz mikron hosszú, egy szilícium chipbe van ágyazva.

A hagyományos szilícium tranzisztorokkal ellentétben a szinaptikus tranzisztor nem korlátozódik az egyesek és nullák bináris rendszerére. "Ez a rendszer analóg módon változtatja meg vezetőképességét, folyamatosan, ahogy az anyag összetétele változik" - magyarázta Shi. "A CMOS, a hagyományos áramköri technológia alkalmazása elég nagy kihívást jelentene egy szinapszis imitálásához, mivel a valós biológiai szinapszis gyakorlatilag végtelen számú lehetséges állapottal rendelkezik - nem csupán 'ki' és 'be' állással"

A szinaptikus tranzisztornak van egy másik előnye is, tette hozzá a kutatócsapat harmadik tagja, Sieu D. Ha. Ez nem más, mint a megmaradó (non-volatile) memória, ami azt jelenti, hogy az eszköz akkor is emlékszik az állapotára, ha megszakad az energiaellátása. Mérnöki szemszögből a csapat szerint a nikkelát-rendszer zökkenésmentesen beilleszthető a jelenlegi szilícium alapú rendszerekbe. "Ennek az anyagnak az elképesztő érzékenységét aknázzuk ki" - magyarázta Ramanathan. "Egy egészen kis gerjesztéssel egy hatalmas jelet kapunk, vagyis egészen kis beviteli energiára van szükség a működtetéséhez"

Jelenleg a korlátokat a viszonylag ismeretlen anyagrendszer szintetizálása és az eszköz mérete jelenti, ami hatással van a sebességére, ezek áthidalása érdekében a csapat mikrofolyadék szakértőket kért fel a projektben való közreműködésre.

Hozzászólások

A témához csak regisztrált és bejelentkezett látogatók szólhatnak hozzá!
Bejelentkezéshez klikk ide
(Regisztráció a fórum nyitóoldalán)
  • fszrtkvltzttni #27
    "Az univerzalis cnn chipeknel a kapcsolasi matrixot nem a gyartas soran teszik bele" erre írtam, hogy "valamilyen buszrendszerre kapcsolódnak a neuronok, ez utóbbi viszont korlátozza a teljesítményt". Vagy közvetlenül kötöd össze a neuronokat, fix topológiában, és akkor függetlenül kommunikálhatnak nagy sebességgel, vagy közös buszrendszert használsz, de akkor a kommunikáció sebessége töredékére csökken.
  • fszrtkvltzttni #26
    "Egyszeru osszehasonlito halozatok eseten elso korben engedelyezed a tanulasi modot"
    A kérdésem az volt, hogyan lehet tanítani. Bekapcsolod a tanulási módot... Kösz, ezt gondoltam... És mi a tanulási mód algoritmusa?
    "A fenti pelda egyebkent 7-9 retegu a feedforward iranyban, " Akkor kezdjük ott, hogy az általános neurális hálóban nincsenek rétegek. Rétegekből álló neurális hálót lehet tanítani. A kimenetét vissza lehet csatolni, és úgy is lehet tanítani. De ez nem általános neurális hálózat.
  • kvp #25
    "Azt viszont még mindig nem mondtad el, hogy általános, visszacsatolást is tartalmazó neurális hálókat hogyan lehet tanítani."

    Egyszeru osszehasonlito halozatok eseten elso korben engedelyezed a tanulasi modot, a megfelelo bemenet stimulalasaval. Ezutan a jelbemeneten erkezo jel a feedback halozatra kerul, ahol jo shift regiszter modjara keringeni kezd. A tanulasi mod kikapcsolasa utan a jelbemenetre az osszehasonlitando jelet kuldod es engedelyezed a komparalo logikat egy masik bemenettel. Ez osszehasonlitja a tarolt es a beerkezo jelet, idealis esetben parhuzamosan minden fazisban, majd a fazisok kimeneti jeleit egy osszesito halo klasszifikalja es vegul megjelenik a kimeneten egy jel, ami meghatarozza mennyire hasonlit a tanult es az aktualis jel. 2D-s CNNA matrixok eseten ez pl. 1 orajeles kepfelismeresre hasznalhato. Mivel a feedback halozatok melysege es mennyisege elmeleti alapon nem limitalt, ezert akarhany feedback halozat lehet es mind kulonbozo mintakat tarol, tovabba kulon-kulon tanithatoak. Egy mar betanitott halozatra is lehet uj jelet kapcsolni, ekkor a feedback es a feedforward jeleket egy logikai halozatnak kell osszekevernie. (legegyszerubb az atlag, minimum vagy maximum kereses, de lehet kizaro vagy is) Ezek a halozatok persze fizikailag nem kulon vannak hanem minden feedback halozat 1-1 eleme a hozzatartozo szamitasi neuron mellett van, tehat ha egy adott helyen serul a halozat, akkor nem egy teljes tarolt kep veszik el, hanem minden tarolt kepbol 1 pixel, amit kesobb ujra lehet tolteni a kornyezo adatok atlagaval. Igy pl. tobb ezer egymas mellett levo tarolo neuron kiesese eseten sem tortenik erezheto romlas a felismeres minosegeben.

    A fenti megoldas tobb parhuzamos feedback es feedforward matrixot hasznal es ezek kozott a jelek aramlasat serkento es gatlo bemenetekkel lehet kapcsolgatni. Ezen kapcsolojelek idoziteset pedig egy masik kisebb neuralis matrix csoport kezeli, ami ugyancsak tartalmaz feedback es feedforward komponenseket.

    A fenti matrixok teljes osszekotesu halozatbol torteno onszervezo letrehozasara is vannak kiserletek, de sokkal egyszerubb a huzalozast elore meghatarozni, egyfajta orokolt tulajdonsagkent. A fenti pelda egyebkent 7-9 retegu a feedforward iranyban, mig a jelhossznak megfelelo feedback iranyban. Kepek felismeresehez eleg az 1x-es feedback matrix, mig videojelekhez kepkockankent kell 1-1 reteg. A fenti megoldas mind analog, mind digitalis cnn rendszerek eseten is jol hasznalhato.

    ps: Az univerzalis cnn chipeknel a kapcsolasi matrixot nem a gyartas soran teszik bele, hanem flash taroloval ellatott tranzisztorok hatarozzak meg, mint egy fpga-ban, tehat a chip atallithato a kulonbozo mukodesi modok kozott, igy egy chipen tobb eltero neuralis halozat mukodese is futtathato es ezen halozatok kozott a programvalaszto bemenetek tudnak atkapcsolni.
  • lamer the true #24
    Bár az biztos, hogy jobban járnak velük, mint a kényelmes angolszász ősbevándorlókkal :)
  • lamer the true #23
    "a Harvard Egyetem anyagtudósai"

    Tipikus Brit arcok
  • fszrtkvltzttni #22
    Teljes összeköttetésű mátrix halott ötlet, mert nem skálázható már milliós neuronokra se. A többi chip vagy fix topológiát használ, vagy valamilyen buszrendszerre kapcsolódnak a neuronok, ez utóbbi viszont korlátozza a teljesítményt, és nem igazán jobb mint a tisztán szoftveres, ezért használják azt szinte mindenhol.
    "Egyebkent ezeket a halokat nem tanitjak, hanem programozzak. Aztan csak az adatokat tanitjak a kesz halozatnak." Na de tanításnak ez utóbbit nevezik, a topológia megadását még soha nem hallottam, hogy annak nevezték volna...

    Azt viszont még mindig nem mondtad el, hogy általános, visszacsatolást is tartalmazó neurális hálókat hogyan lehet tanítani.
  • kvp #21
    A szilicium alapu neuralis halozatoknal altalaban teljes osszekotesu matrixot hasznalnak es egyszeruen kinullazzak a nem letezo kapcsolatok sulytenyezojet. Fejletebb valtozatok kepesek szabadon allitani a kapcsolasi matrixot, ezert ugyan kevesebb osszekottetessel mukodnek, de konnyebben tudnak adaptalodni, tehat egy neuron egy bementet atkotni. Egyebkent igy mukodnek a xilink csipek is, csak analog helyett digitalis kapukkal. A CNND vilag es egy jobb videokartya kozott egyre vekonyabb a hatar. Azert azt a 65536 processzoros CNNA rendszert ami ma elerheto meg nem ertek utol. Egyebkent ezeket a halokat nem tanitjak, hanem programozzak. Aztan csak az adatokat tanitjak a kesz halozatnak. Ekkor az alapprogram ugymond orokolt.
  • torreadorz #20
    Én azt mondanám hogy sokkal hamarabb lesz fehérje alapú intelligens számítógép mint hogy szilicium alapokon mesterséges intelligencia legyen.
  • fszrtkvltzttni #19
    És mennyi neuronra használtad? Mert pl. Montecarlo módszerrel (vagy bármilyen primitív, nem gradiens alapú minimalizációs módszerrel) lehet tanítani tetszőleges hálózatot, csak nagyon nem hatékony, főleg amikor elkezded növelni a neuronok számát. Tudnál linket adni, hogy te mit használtál.
  • fszrtkvltzttni #18
    A szimuláció azért jó, mert bármilyen struktúrát tudsz szimulálni. Ha gyártasz egy mesterséges neuron, akkor annak topológiája adott lesz. Ha a topológia nem megfelelő, akkor kukázhatod. A cikkben szereplő esetben is.