AIは磁気を使用して人間のような効率を達成できます

• 磁石は、人工知能が物体を認識する際に人間のような効率を達成するのに役立ちます。
• 研究者は、脳の計算と同様のタスクを実行するために、より少ないエネルギーとメモリを使用する新しいネットワークを開発します。

ニューロンの電気的ダイナミクスは、ナノマグネットのスイッチングダイナミクスと非常によく似ています。磁気トンネル接合装置が示すスイッチング動作は、本質的に確率論的です。この動作はニューロンのシグモイドスイッチング動作を表すため、磁気接合を利用してシナプスの重みを保存できます。

磁石のこの並外れた特性を使用して、パデュー大学の研究者は、人工知能（AI）を動力源とするロボットが物体を認識する際に人間のような効率を達成するのに役立つ方法を開発しました。

この方法では、磁気を脳のようなネットワークと統合して、ドローン、自動運転車、ロボットなどの機械に、いくつかのオブジェクトについてより一般化するように教えます。

新しいアルゴリズム

スパイキングニューラルネットワーク（SNN）は、従来のニューラルネットワークよりも必要な計算リソースが少ないインテリジェントなニューロモルフィックシステムを実現するための有望な代替手段を提供します。これらのネットワークは、スパーススパイクイベントの形式でデータをエンコードして送信します。

この研究では、研究者はスパイクタイミング依存可塑性（STDP）を使用して、Stochastic-STDPと呼ばれる新しい確率的トレーニングアルゴリズムを開発しました。これは、ReStoCNetと呼ばれる深い残余畳み込みSNNであり、メモリ効率の高いニューロモルフィックコンピューティング用のバイナリカーネルで構成されています。

参照：フロンティア| doi：10.3389 / fnins.2019.00189 |パデュー大学

磁石の固有の確率的振る舞いを使用して、研究者は新しいアルゴリズムに基づいて確率的に磁化位相を切り替えました。次に、推論中に訓練されたシナプスの重みを使用しました。これは、ナノ磁石の磁化段階で決定論的にエンコードされました。

STDPベースの確率的学習ルールには、ヘッブおよび反ヘッブの学習アプローチが組み込まれており、階層的な入力特徴抽出のために、ReStoCNetで構成されるバイナリカーネルを層ごとの教師なし方法でトレーニングします。

クレジット：パデュー大学

チームは高エネルギーバリア磁石を使用して、コンパクトな確率的プリミティブを可能にし、安定したメモリ要素と同じデバイスを使用できるようにしました。

彼らは、2つの異なる公開データセットでReStroCNetの効率を検証し、残余接続により、深い畳み込み層が貴重な高レベルの入力機能を学習し、残余接続なしでSNNによって発生する損失を最小限に抑えることができることを示しました。

どのように役立ちますか？

新しいネットワークは、脳の計算と同様のタスクを実行するために必要なエネルギーとメモリの量を削減しながら、ニューロンとシナプスの両方を表すことができます。

これらの脳のようなネットワークは、グラフ彩色や巡回セールスマン問題などの難しい最適化問題を解決できます。この作業で提示された確率的デバイスは、「自然なアニール」として機能し、アルゴリズムが極小値から抜け出すのに役立ちます。

読む：光は新しい量子シミュレーターの磁石として機能する

より具体的には、メモリ効率の高い確率的学習とイベント駆動型コンピューティングを備えたReStoCNeTは、CMOSに基づくニューロモーフィックハードウェアと、相変化メモリ、抵抗変化型メモリなどの確率的新興デバイステクノロジの実装に最適です。パワードデバイス。