Pesquisadores da IBM em Almaden ter construído um sistema cérebro-like capaz de reconhecer números escritos à mão, essencialmente usando chips de memória de mudança de fase em vez de flash.
Computação neuromorphic é uma variante da pesquisa da inteligência artificial, que tem uma memória de computador configurado de forma semelhante cérebro rudimentar, como quase-neurónios e sinapses, e denominado uma rede neural.
Algoritmos de aprendizado estatísticos são usados para "ensinar" um tal sistema se comportar de maneiras particulares por meio do fortalecimento ou enfraquecimento conexões sinápticas individuais e assim afetando valor binário de um neurônio.
Normalmente, os pesquisadores se concentram o sistema em aprender alguma habilidade humana, como a detecção de itens em imagens ou a leitura de mão-de escrita, permitindo uma soma de determinados valores de neurônio para indicar um resultado desejado, tais como: "É uma letra A", quando o sistema é dada uma imagem em particular (da letra A).
Os neurônios têm múltiplas conexões sinápticas e estes são dados diferentes valores ou pesos como o sistema aprende. Os neurônios e sinapses podem ser organizados em camadas (multi-layer perceptron) que processam sequencialmente as informações provenientes de uma imagem e, esperançosamente, reconhece.
Pessoal IBM Research em Almaden construído um sistema com 913 neurônios e 165 mil conexões sinápticas usando pares de células de memória de mudança de fase para representar em um 500 x 661 variedade de dispositivos PCM celular cogumelo 1T1R.
A equipa de investigação apresentou uma comunicação sobre o seu trabalho, demonstração experimental e Tolerância de uma grande escala de Redes Neurais (165.000 sinapses), utilizando de mudança de fase de memória como o Synaptic Peso Elemento , no Electron Devices Meeting Internacional em San Francisco, em dezembro de 2014 .
Pesquisador Dr Geoff Burr, que trabalha na área de memória de classe de armazenamento, disse Phase-Change Memória (PCM) é mais adequado do que NAND para a computação neuromorphic.
Isso é porque ele é mais rápido, mais denso, ou seja, mais quase-neurônios e sinapses em menos espaço, permitindo que os sistemas de maior porte a ser construída. É também mais fácil para alterar os valores de uma célula, sem a necessidade de bloco processo de apagamento / reescrita de NAND.
Isto é apropriado porque a computação neuromorphic conta com o sistema de aprendizagem, com o comportamento dos neurônios alterados como resultado de sináptica variância valor conectividade, e assim melhorar o desempenho geral do sistema.
Este sistema é bastante diferente do da IBM True North processador neuromorphic que usou 4.096 núcleos para imitar um milhão de neurônios e tinha muito a entrada de Cornell Tecnologia e iniLabs. Os pesquisadores Almaden teve sinapses - (plástico) sinapses bi-polares - emulados por chips PCM.
Abstrato do jornal disse:
Usando dois dispositivos PCM por sinapse, uma rede perceptron de três camadas com 164.885 sinapses é treinado em um subconjunto (5.000 exemplos) do MNIST * banco de dados de dígitos manuscritas usando uma variante back-propagação adequado para NVM + selectorcrossbar matrizes, a obtenção de uma formação ( generalização) precisão de 82,2 por cento (82,9 por cento).
Utilizando um simulador de rede neural (NN) combinado com o demonstrador experimental, grande tolerância é realizada com respeito à variabilidade NVM, rendimento, eo stochasticity, linearidade e assimetria de resposta NVMconductance.
Isso não parece muito, não é, 82 por cento. Dito de outra forma, que é uma taxa de erro de 18 por cento. Uma alternativa multi-coluna abordagem de rede neural profunda atingido desempenho quase humana (0,23 taxa de erro por cento) sobre o conjunto de dados MNIST em 2012.
Vai ser interessante ver se os pesquisadores da IBM em Almaden construir melhor um maior e / ou sistema de neuromorphic baseada em PCM para melhorar o desempenho do seu sistema até agora. ®
* O MNIST (Mixed Instituto Nacional de Padrões e Tecnologia) banco de dados armazena um conjunto de dígitos escritos à mão usados em tentativas para treinar sistemas de processamento de imagem, como o sistema neuromorphic IBM PCM descrito aqui.
Nenhum comentário:
Postar um comentário