Pierre à aiguiser, un outil logiciel qui affine la sortie des neurones artificiels, a permis aux réseaux informatiques de neurones de traiter les informations jusqu'à cent fois plus efficacement que la norme actuelle de l'industrie, disent les chercheurs du Sandia National Laboratories qui l'ont développé.

Le logiciel qui porte bien son nom, ce qui réduit considérablement la quantité de circuits nécessaires pour effectuer des tâches autonomes, devrait accroître la pénétration de l'intelligence artificielle sur les marchés des téléphones mobiles, voitures autonomes et interprétation automatisée des images.

"Au lieu d'envoyer des flots d'informations sans fin d'énergie, " Le neuroscientifique de Sandia, Brad Aimone, a déclaré :"Les neurones artificiels entraînés par Whetstone libèrent de l'énergie en pointes, un peu comme le font les neurones humains."

Les plus grandes sociétés d'intelligence artificielle ont produit des outils de dopage pour leurs propres produits, mais aucun n'est aussi rapide ou efficace que Whetstone, dit le mathématicien de Sandia William Severa. "Les grandes entreprises sont conscientes de ce processus et ont construit des systèmes similaires, mais souvent les leurs ne travaillent que pour leurs propres conceptions. Whetstone fonctionnera sur de nombreuses plateformes neuronales."

Le code open source a récemment été présenté dans un article technique dans Nature Machine Intelligence et a été proposé par Sandia pour un brevet.

Comment aiguiser les neurones

Les neurones artificiels sont essentiellement des condensateurs qui absorbent et additionnent les charges électriques qu'ils libèrent ensuite en minuscules salves d'électricité. Puces informatiques, appelés "systèmes neuromorphes", " assembler des réseaux de neurones en grands groupes qui imitent le cerveau humain en envoyant des stimuli électriques aux neurones qui se déclenchent dans un ordre non prévisible. Cela contraste avec une procédure plus verrouillée utilisée par les ordinateurs de bureau avec leurs processus électroniques prédéfinis.

En raison de leur tir au hasard, les systèmes neuromorphiques sont souvent plus lents que les ordinateurs conventionnels mais nécessitent également beaucoup moins d'énergie pour fonctionner. Ils nécessitent également une approche différente de la programmation car sinon leurs neurones artificiels se déclenchent trop souvent ou pas assez souvent, ce qui a été un problème pour les mettre en ligne commercialement.

Pierre à aiguiser, qui fonctionne comme un code informatique supplémentaire ajouté à des programmes de formation aux logiciels plus conventionnels, entraîne et aiguise les neurones artificiels en tirant parti de ceux qui n'explosent que lorsqu'une quantité d'énergie suffisante est suffisante :lisez, informations —ont été recueillies. La formation s'est avérée efficace pour améliorer les réseaux neuronaux standard et est en cours d'évaluation pour la technologie émergente des systèmes neuromorphiques.

Catherine Schuman, un chercheur en réseaux neuronaux aux Oak Ridge National Laboratories, mentionné, "La pierre à aiguiser est un outil important pour la communauté neuromorphique. Elle fournit un moyen standardisé de former des réseaux de neurones traditionnels qui se prêtent au déploiement sur des systèmes neuromorphiques, ce qui avait été fait auparavant de manière ad hoc.

Le professeur strict

Le procédé Whetstone, Aimone a dit, peut être visualisé comme contrôlant une classe d'élèves bavards du primaire qui sont chargés d'identifier un objet sur le bureau de leur enseignant. Avant Whetstone, les étudiants ont envoyé un flux continu d'entrées de capteurs à leur ancien professeur débordé, qui a dû tout écouter - chaque bosse et rire, pour ainsi dire, avant de prendre une décision dans le système neuronal. Cette énorme quantité d'informations nécessite souvent des calculs basés sur le cloud pour être traitées, ou l'ajout d'équipements informatiques plus locaux combinés à une forte augmentation de la puissance électrique. Les deux options augmentent le temps et le coût des produits commerciaux d'intelligence artificielle, diminuent leur sécurité et leur confidentialité et rendent leur acceptation moins probable.

Sous Pierre à aiguiser, leur enseignant nouvellement strict ne prête attention qu'à une simple mesure "oui" ou "non" de chaque élève - quand ils lèvent la main avec une solution, plutôt qu'à tout ce qu'ils disent. Supposer, par exemple, le but est d'identifier si un fruit vert sur le bureau de l'enseignant est une pomme. Chaque élève est un capteur qui peut répondre à une qualité différente de ce qui peut être une pomme :a-t-elle la bonne qualité d'odeur, goût, texture et ainsi de suite ? Et tandis que l'étudiant qui recherche le rouge peut voter "non", l'autre étudiant qui recherche le vert votera "oui". Lorsque le nombre de réponses, soit oui ou non, est suffisamment élevé électriquement pour déclencher la capacité du neurone à se déclencher, ce simple résultat, au lieu de bavarder sans fin, pénètre dans l'ensemble du système neuronal.

Alors que les simplifications de Whetstone pourraient potentiellement augmenter les erreurs, le nombre écrasant de neurones participants - souvent plus d'un million - fournit des informations qui compensent statistiquement les inexactitudes introduites par la simplification des données, Sévera a dit, responsable des mathématiques du programme.

« Combiner des informations internes trop détaillées avec le grand nombre de neurones signalés est une sorte de double réservation, " dit-il. " C'est inutile. Nos résultats nous disent que la méthode classique - tout calculer sans simplifier - est un gaspillage. C'est pourquoi nous pouvons économiser de l'énergie et le faire bien."

Les programmes patchés fonctionnent mieux

Le logiciel fonctionne mieux lorsqu'il est appliqué à des programmes destinés à former de nouveaux équipements d'intelligence artificielle, ainsi Whetstone n'a pas à surmonter les schémas appris avec des minimums d'énergie déjà établis.