Tecnologia hardware IA ad alta efficienza energetica tramite un sistema di storage ispirato al cervello
I ricercatori hanno dimostrato un sistema di ripostiglio ispirato alla neuromodulazione per l’apprendimento efficiente dal punto di vista energetico di una rete neurale spiking utilizzando un array di memristor auto-rettificante
I ricercatori hanno proposto un nuovo sistema ispirato alla neuromodulazione del cervello, denominato “sistema di storage”, che richiede un minor consumo di energia. Il gruppo di ricerca guidato dal professor Kyung Min Kim del Dipartimento di scienza e ingegneria dei materiali ha sviluppato una tecnologia in grado di gestire in modo efficiente operazioni matematiche per l’intelligenza artificiale imitando i continui cambiamenti nella topologia della rete neurale a seconda della situazione. Il cervello umano cambia la sua topologia neurale in tempo reale, imparando a memorizzare o richiamare i ricordi secondo necessità. Il gruppo di ricerca ha presentato un nuovo metodo di apprendimento dell’intelligenza artificiale che implementa direttamente queste configurazioni del circuito di coordinazione neurale.
La ricerca sull’intelligenza artificiale sta diventando molto attiva e lo sviluppo di dispositivi elettronici basati sull’intelligenza artificiale e le versioni di prodotti stanno accelerando, soprattutto nell’era della quarta rivoluzione industriale. Per implementare l’intelligenza artificiale nei dispositivi elettronici, dovrebbe essere supportato anche lo sviluppo di hardware personalizzato. Tuttavia, la maggior parte dei dispositivi elettronici per l’intelligenza artificiale richiede un elevato consumo energetico e array di memoria altamente integrati per attività su larga scala. È stato difficile risolvere questi limiti di consumo energetico e integrazione e sono stati compiuti sforzi per scoprire come il cervello umano risolve i problemi.
Per dimostrare l’efficienza della tecnologia sviluppata, il gruppo di ricerca ha creato un hardware di rete neurale artificiale dotato di un array sinaptico auto-rettificante e di un algoritmo chiamato “sistema di ripostiglio” che è stato sviluppato per condurre l’apprendimento dell’intelligenza artificiale. Di conseguenza, è stato in grado di ridurre l’energia del 37% all’interno del sistema di ripostiglio senza alcun degrado della precisione. Questo risultato dimostra che è possibile emulare la neuromodulazione nell’uomo.
Il professor Kim ha affermato: “In questo studio, abbiamo implementato il metodo di apprendimento del cervello umano con una semplice composizione di circuiti e attraverso questo siamo stati in grado di ridurre l’energia necessaria di quasi il 40 percento”.
Questo sistema di conservazione ispirato alla neuromodulazione che imita l’attività neurale del cervello è compatibile con i dispositivi elettronici esistenti e l’hardware a semiconduttore commercializzato. Dovrebbe essere utilizzato nella progettazione di chip semiconduttori di prossima generazione per l’intelligenza artificiale.
Questo studio è stato pubblicato su Advanced Functional Materials nel marzo 2022 e supportato da KAIST, National Research Foundation of Korea, National NanoFab Center e SK Hynix.
-Pubblicazione:
Woon Hyung Cheong, Jae Bum Jeon†, Jae Hyun In, Geunyoung Kim, Hanchan Song, Janho An, Juseong Park, Young Seok Kim, Cheol Seong Hwang e Kyung Min Kim (2022)
“Dimostrazione dello stashing ispirato alla neuromodulazione System for Energy-efficient Learning of Spiking Neural Network using a Self-Rectifying Memristor Array,” Advanced Functional
Materials 31 marzo 2022 (DOI: 10.1002/adfm.202200337)
uo semicentenario nel 2021, KAIST continua a impegnarsi per rendere il mondo migliore attraverso le sue attività nell’istruzione, nella ricerca, nell’imprenditorialità e nella globalizzazione.
