دانشمندان Numenta نشان می‌دهند که الگوریتم‌های مشتق از مغز سرعت یادگیری عمیق را ۵۰ برابر بهبود میبخشد

منتشر شده در: numenta blog به تاریخ ۲۰ نوامبر ۲۰۲۰
لینک منبع: Numenta Demonstrates 50x Speed Improvements on Deep Learning Networks Using Brain-Derived Algorithms

هشدار رسانه

شهر REDWOOD، آسیای میانه - ۱۰ نوامبر ۲۰۲۰- با استفاده از الگوریتم های به‌دست‌آمده از تحقیقات علوم اعصاب، امروز اعلام کرد که به بهبود چشمگیر عملکرد در وظایف استنباطی در شبکه‌های عمیق یادگیری بدون هیچ گونه افت دقت دست یافته‌است.

شبکه‌های یادگیری عمیق امروزی کارهای زیادی انجام داده‌اند اما با محدودیت‌های اساسی، از جمله نیاز آن‌ها به قدرت محاسباتی زیاد مواجه هستند. یک مدل بزرگ و پیچیده می‌تواند میلیون ها دلار برای آموزش و اجرا هزینه داشته باشد، و توان مورد نیاز با یک نرخ نمایی رشد می‌کند. الگوریتم های جدید برای شکستن این تنگنای عملکرد ضروری هستند.

پیشرفت‌های نشان‌داده‌شده توسط Numenta با استفاده از یک اصل از مغز به نام تنکی به دست می‌آیند. Numenta، شبکه‌های متراکم و پراکنده را با اجرای الگوریتم های خود بر روی تراشه‌های Xilinx FPGA (آرایه دروازه قابل‌برنامه‌ریزی میدانی) برای یک وظیفه شناسایی گفتار با استفاده از مجموعه داده فرماندهان گفتار گوگل (GSC) مقایسه می‌کند. با استفاده از معیار تعداد کلمات پردازش‌شده در هر ثانیه، نتایج نشان می‌دهد که شبکه‌های پراکنده بیش از ۵۰ برابر شتاب روی شبکه‌های متراکم روی برد Xilinx Alveo به دست می‌دهند. علاوه بر این، Numenta شبکه GSC را نشان داد که بر روی یک تراشه Xilinx Zynq اجرا می‌شود، یک تراشه کوچک‌تر که در آن شبکه‌های متراکم برای اجرا بسیار بزرگ هستند، و یک مجموعه جدید از برنامه‌های کاربردی را قادر می‌سازد که بر راه‌حل‌های کم‌هزینه و توان پایین متکی هستند. با استفاده از معیار تعداد کلمات بر ثانیه بر وات، نشان می‌دهیم که شبکه‌های پراکنده به طور قابل‌توجهی از قدرت کمتری نسبت به بهترین شبکه متراکم استفاده می‌کنند.

این اثبات مفهوم نشان می‌دهد که پراکندگی می‌تواند به تسریع و راندمان توان قابل‌توجهی برای انواع پلتفرم‌های یادگیری عمیق و پیکربندی شبکه دست یابد در حالی که دقت رقابتی را حفظ می‌کند. این رویکرد می‌تواند تکنولوژیست‌های یادگیری ماشین را قادر سازد تا:

  • اجرای شبکه‌های بزرگ‌تر و پیچیده‌تر با استفاده از منابع یک‌سان.
  • اجرای کپی‌های شبکه بیشتر روی همان منابع.
  • اجرای شبکه‌های عمیق یادگیری در پلتفرم‌های اج که در آن محدودیت‌های منابع مانع از اجرای شبکه‌های متراکم می‌شوند.
  • رسیدن به صرفه‌جویی زیاد انرژی و هزینه‌های پایین‌تر به دلیل راندمان مقیاس بندی.

جزئیات فنی را می توان در یک مقاله سفید یافت که Numenta امروز در اینجا منتشر شده‌است. Numenta با شرکای استراتژیک برای تجاری کردن این فن‌آوری همکاری می‌کند. برای کسب اطلاعات، با این شرکت در sparse@numenta.com ارتباط برقرار کنید.

آینده هوش مصنوعی براساس اصول مغز

استادیار دانشگاه ییل در مهندسی برق، Priyadarshini گفت: « رویکردهای الگوریتمی-سخت‌افزاری جدید برای پیشرفت هوش ماشین مورد نیاز است.» مغز بهترین راهنما برای دستیابی به این پیشرفت‌ها در آینده را ارائه می‌دهد. نتایج اعلام‌شده توسط Numenta با استفاده از تئوری قشری خود برای دستیابی به بهبود قابل‌توجه عملکرد، وعده بزرگی را نشان می‌دهد.

معاون تحقیق و مهندسی نومنتا، Subutai Ahmad گفت: « تنکی سیتی برای نحوه کار مغز اساسی است و کلید باز کردن بهبود عملکرد عالی در یادگیری ماشین امروز را ارائه می‌دهد.» « با پیشرفت، تحقیقات علوم اعصاب نمانتا یک نقشه راه برای ساخت هوش ماشین ایجاد کرده‌است که منجر به پیشرفت‌های هیجان انگیزی در استحکام، یادگیری مداوم، یادگیری بدون نظارت و یکپارچه‌سازی حسی-حرکتی خواهد شد.»

این متن با استفاده از ربات ترجمه مقالات هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است. در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.