Прорыв в развитии искусственного интеллекта могут спровоцировать насекомые

Argonne нацелена на создание нейроморфных чипов для решения одной из сложнейших задач, улучшения работы компьютерных чипов и их адаптации в экстремальных условиях 2 ноября 2018 года космический корабль НАСА Voyager 2 вышел на просторы межзвездного пространства, следуя за Voyager 1, который совершил вылет шестью годами ранее. С момента их запуска в 1977 году, два зонда прошли через солнечную систему более 11 миллиардов миль, что длится намного дольше, чем предполагали ученые.

Приведенные в действие плутонием и потребляющие 400 ватт каждый для работы электроники и обогрева, зонды по-прежнему снимают фотографии и отправляют их обратно в НАСА. Однако через 42 года только шесть из 10 приборов Voyager 2 все еще работают, и ученые НАСА ожидают, что зонд сломается в 2025 году - задолго до того, как он покинет нашу Солнечную систему. Но что, если Voyager 2 потребуется всего пара ватт мощности?

Может ли он существовать достаточно долго, чтобы продолжить свои исследования в далеком будущем? Подобный вопрос задают ученые в Аргоннской национальной лаборатории Министерства энергетики США (DOE). Здесь Ангел Янгуас-Гил, главный специалист в отделе прикладных материалов, возглавляет междисциплинарную группу, которая переосмысливает конструкцию компьютерных чипов, чтобы не только лучше выполнять и адаптироваться, но и делать это, используя незначительное количество энергии - около одного ватта.

Как вдохновителей команда использует насекомых, таких как муравьи, пчелы и плодовые мухи, которые открывают новую границу в искусственном интеллекте, именуемую как нейроморфные вычисления. Это открытие способно кардинально изменить искусственный интеллект. «В биологической системе сеть может обучаться сама по себе и предлагает гораздо более высокую степень гибкости. Насекомые больше всего подвергаются эволюционному давлению.

Например, пчелы демонстрируют половину числа различных когнитивных поведений дельфинов, только в гораздо меньшем объеме». – заявляет Ангел Янгуас-Гил. Вдохновленные биологией, недавно разработанные компьютерные микросхемы, основанные на новых чертежах и материалах, могут быстро обучаться, радикально экономить энергию и адаптироваться к экстремальным средам, таким как дальний космос и радиоактивные зоны - обеспечивая при этом надежные и точные результаты.

Полная гибкость искусственного интеллекта

Искусственный интеллект пронизывает нашу жизнь, предоставляя бесчисленные преимущества, такие как включение цифровых ассистентов, активируемых голосом, автомобилями с автоматическим управлением, распознавание наших лиц и автоматическое реагирование на текстовые сообщения и электронные письма. Однако ИИ имеет некоторые ограничения: он опирается на множество данных и все более быстрое аппаратное обеспечение, к которому он всегда должен быть подключен, требует большой мощности и ограниченной гибкости. Почему у ИИ возникают подобные проблемы?

Ответ заключается в том, как популярная форма ИИ, называемая нейронной сетью, обнаруживает значимые расположения в данных. Большинство нейронных сетей, которые раскрывают шаблоны и отношения в данных без явного программирования, являются статическими и предназначены для конкретной задачи, такой как распознавание изображений. Когда сеть изучает эту задачу, она не может переключать передачи и начинать управлять автомобилем. «Но теперь ситуация меняется, распределение данных немного отличается от того, что было раньше, и то, что вы знали ранее, больше не применимо», - объяснил Сандип Мадиредди (Sandeep Madireddy), специалист по информатике в подразделении Argonne по математике и компьютерным наукам (MCS).

С другой стороны, насекомые универсальны и могут по-разному решать проблемы, сказал Янгуас-Гил. «В биологической системе сеть может обучаться сама по себе и предлагает гораздо более высокую степень гибкости», - сказал он. «Эволюционное давление на насекомых позволяет нам создать более эффективные, адаптивные вычислительные машины. Например, поведение пчел немного напоминает концепцию поведения дельфинов».

Новый нейроморфный чип – его возможности

Чтобы доказать это, Янгуас-Гил, Джефф Элам и Анил Мане разработали и смоделировали новый нейроморфный чип, вдохновленный крошечной структурой мозга пчел, плодовых мух и муравьев. Команда создала сеть с нуля, которая содержит два ключевых открытия: Динамические фильтры, которые изменяют силу воздействия различных нейронных связей, в зависимости от того, какая из них более необходима в данный момент.

Вольфрам-оксид алюминия, удостоенный наград нанокомпозитный материал, созданный Элам и Мане, который позволил бы чипу работать на уровнях мощности намного ниже одного ватта. Тестирование новой конструкции чипа показало, что она была такой же точной, как и стандартная конструкция, но новая система намного быстрее обучается - даже при 60% ошибок во внутренней работе. «При использовании нейронных сетей частота ошибок в 20% снижает точность системы», - сказал Янгуас-Гил.

«Наша система может выдерживать гораздо более высокую частоту ошибок и поддерживать ту же точность, что и совершенная система. Это делает его хорошим кандидатом на использование в устройствах, которые проводят 30 лет в космосе». Благодаря этим результатам команда получила премию в августе на конференции космических вычислений Института инженеров по электротехнике и электронике (IEEE) в 2019 году.

Построение нейронных сетей на основе пчелиного роя

После того, как его команда разработала проект нейроморфного чипа, Янгуас-Гил привлек к работе Мадиредди и Прасанну Балапракаш, которые также являются специалистом по вычислительной технике в подразделении MCS лаборатории, и использовал мощные вычислительные инструменты компании, чтобы максимизировать его производительность. Используя суперкомпьютер Theta в Argonne Leadership Computing Facility - средстве пользователя Office of Science Министерства энергетики США - дуэт протестировал нейроморфный проект с помощью разработанного ими программного пакета Deep Hyper, который выполняет автоматическое машинное обучение для нейронных сетей.

Deep Hyper тестирует тысячи различных конфигураций мозга насекомых, генерируя лучшие варианты, пока не определит правильную для конкретной задачи. С каждым набором конфигураций Deep Hyper изучает - оценивает и затем генерирует следующий набор конфигурации на основе увиденного. «Это работает почти так же, как люди учатся играть в игры», - сказал Балапракаш. «Ты играешь, ты получаешь очки, а затем - основываясь на опыте и твоих ошибках - ты постепенно становишься все лучше и лучше». В производственном сценарии все это обучение будет закодировано на нейроморфном чипе, и сам чип сможет адаптироваться, переключая передачи для решения каждого типа задач.

Будущее подобных методов

Эти достижения - только начало. Как только Янгуас-Гил и его команда разработают наиболее эффективный дизайн чипа, они должны договориться о его наилучшем использовании. К счастью, кажется, существует бесконечный спрос на чип, который сочетает в себе компьютерный интеллект - именно там, где это необходимо - с низкими требованиями к энергопотреблению. Что, если, например, ученые могли бы разместить маломощные датчики в национальных лесах, чтобы те могли предупреждать о пожарах? Так же Янгуас-Гил и Балапракаш также рассчитывают на городские районы, где чип может отслеживать потенциально опасные химические вещества.

Argonne, в партнерстве с Чикагским университетом и городом Чикаго, уже установила 120 интеллектуальных сенсорных устройств по всему городу для измерения таких факторов, как качество воздуха, движение транспорта и климат –проект финансируется Национальным научным фондом, известным как Arrayof Things. Эти интеллектуальные устройства используют технологическую платформу Argonne Waggle, которая включает в себя дистанционно программируемые высокопроизводительные вычислительные устройства, так что возможности AI могут быть встроены в датчики.

Таким образом, например, анализ изображений может дать представление о количестве и характере уличных действий и даже человеческих взаимодействий. В реальном смысле эти устройства могут использовать методы искусственного интеллекта для «изучения» своей среды с целью обнаружения новых и необычных событий вокруг. «Насколько бы эти датчики могли стать полезны, если бы смогли обнаруживать ядовитый газ?» - спросил Балапракаш. Теоретически Янгуас-Гил согласен с тем, что нейроморфные чипы могут выступать в качестве масс-спектрометров для обучения в реальном времени распознавать различные фрагменты молекул без явного программирования. «Это изменит всю концепцию ИИ», - сказал он.