Les ordinateurs et l'intelligence artificielle continuent d'inaugurer des changements majeurs dans la façon dont les gens font leurs achats. Il est relativement facile d'entraîner le cerveau d'un robot à créer une liste de courses, mais qu'en est-il de s'assurer que le robot shopper peut facilement faire la différence entre les milliers de produits dans le magasin ?

Des chercheurs de l'Université Purdue et des experts en informatique inspirée du cerveau pensent qu'une partie de la réponse peut être trouvée dans les aimants. Les chercheurs ont développé un processus pour utiliser le magnétisme avec des réseaux de type cerveau pour programmer et enseigner des appareils tels que des robots personnels, voitures et drones autonomes pour mieux généraliser sur différents objets.

"Nos réseaux de neurones stochastiques essaient d'imiter certaines activités du cerveau humain et calculent grâce à une connexion de neurones et de synapses, " a déclaré Kaushik Roy, Edward G. Tiedemann Jr. de Purdue, professeur émérite de génie électrique et informatique. "Cela permet au cerveau de l'ordinateur non seulement de stocker des informations, mais également de bien généraliser sur les objets, puis de faire des inférences pour mieux distinguer les objets."

Roy a présenté la technologie lors de la conférence annuelle des sciences physiques allemandes plus tôt ce mois-ci en Allemagne. L'ouvrage est également paru dans le Frontières en neurosciences .

La dynamique de commutation d'un nano-aimant est similaire à la dynamique électrique des neurones. Les dispositifs de jonction tunnel magnétique présentent un comportement de commutation, qui est de nature stochastique.

Le comportement de commutation stochastique est représentatif d'un comportement de commutation sigmoïde d'un neurone. De telles jonctions tunnel magnétiques peuvent également être utilisées pour stocker des poids synaptiques.

Le groupe Purdue a proposé un nouvel algorithme d'entraînement stochastique pour les synapses utilisant la plasticité dépendante du temps de pointe (STDP), appelé Stochastique-STDP, qui a été observé expérimentalement dans l'hippocampe du rat. Le comportement stochastique inhérent de l'aimant a été utilisé pour changer les états de magnétisation de manière stochastique sur la base de l'algorithme proposé pour l'apprentissage de différentes représentations d'objets.

Les poids synaptiques entraînés, codé de manière déterministe dans l'état d'aimantation des nano-aimants, sont ensuite utilisés lors de l'inférence. Avantageusement, l'utilisation d'aimants barrières à haute énergie (30-40KT où K est la constante de Boltzmann et T est la température de fonctionnement) permet non seulement des primitives stochastiques compactes, mais permet également d'utiliser le même appareil comme élément de mémoire stable répondant à l'exigence de conservation des données. Cependant, la hauteur de barrière des nano-aimants utilisés pour effectuer des calculs neuronaux de type sigmoïde peut être abaissée à 20KT pour une efficacité énergétique plus élevée.

"Le gros avantage de la technologie magnétique que nous avons développée est qu'elle est très économe en énergie, " dit Roy, qui dirige le Centre pour l'informatique inspirée du cerveau de Purdue permettant l'intelligence autonome. "Nous avons créé un réseau plus simple qui représente les neurones et les synapses tout en compressant la quantité de mémoire et d'énergie nécessaire pour exécuter des fonctions similaires aux calculs cérébraux."

Roy a déclaré que les réseaux de type cerveau ont également d'autres utilisations pour résoudre des problèmes difficiles, y compris les problèmes d'optimisation combinatoire tels que le problème du voyageur de commerce et la coloration des graphiques. Les dispositifs stochastiques proposés peuvent jouer le rôle de « recuit naturel », aider les algorithmes à sortir des minimas locaux.