تحولی در صرفهجویی انرژی با هوش مصنوعی که از شبکههای عصبی مغز الهام گرفته است
به گزارش ایتنا، طبق گزارشی که توسط «بیبیسی» منتشر شده، گروه تحقیقاتی دپارتمان «محاسبات و مهندسی الهامگرفته از طبیعت» این دانشگاه نام این معماری جدید را «اتصال توپوگرافی پراکنده» گذاشتهاند. این الگو سعی دارد تا شباهتهای بین اتصالات عصبی بهظاهر پراکنده اما در واقع بسیار سازماندهی شده در مغز را بازتولید کند.
در مدلهای سنتی مراکز هوش مصنوعی، هر واحد پردازش عصبی در یک لایه به تمامی واحدهای موجود در لایه بعدی متصل است. این الگوی اتصال جامع، مصرف انرژی و منابع محاسباتی بالایی را به دنبال دارد.
اما در مکانیسم جدید پیشنهاد شده، هر واحد پردازش عصبی فقط با واحدهای نزدیک به خود یا آنهایی که نقش مشترکی با آن دارند، ارتباط برقرار میکند. این سیستم مشابه رویکرد ارتباطی مؤثر نورونها در مغز است.
این تغییرات به دو دلیل اصلی به کاهش چشمگیر مصرف انرژی منجر میشود:
۱. هنگام دریافت هر دستور، دیگر نیازی به فعالسازی همه واحدهای عصبی نیست.
۲. بار محاسباتی سنگین و بیموردی که به واسطه برقراری ارتباط کامل میان واحدها به وجود میآید، حذف میشود.
علاوه بر این، تیم تحقیقاتی متوجه شده است که الگوبرداری از مکانیسم «هرس سیناپسی» در مغز، که در فرآیند یادگیری و بلوغ عصبی دیده میشود، میتواند به دقتی برابر یا حتی بالاتر در مدلهای هوش مصنوعی منجر شود، درحالیکه تنها از بخشی از اطلاعات و انرژی معمول بهره میبرد.
دکتر رومن باوئر، استاد ارشد دانشگاه و یکی از اعضای این تیم، این پژوهش را گامی کلیدی در راستای نشان دادن امکان ساخت «سامانههای هوشمند با کارایی بسیار بالاو مصرف انرژی اندک» برشمرد.
در همین راستا، محسن کاملیان، دانشجوی دکتری و سرپرست این پژوهش، بیان داشت: «آنچه ما ارائه میدهیم، یک چارچوب کاملاً نوین برای تصور شبکههای عصبی است؛ چارچوبی که بر مبنای همان اصول بیولوژیکی بنا شده که هوش طبیعی را آنقدر کارآمد و بهینه کرده است.»
گفته میشود این تیم در حال بررسی روشهایی برای بکارگیری نتایج این پژوهش و گسترش آن به معماریهای فراتر از شبکههای عصبی متعارف در مدلهای هوش مصنوعی است.
