Чип, створений на основі мозку, самостійно вчиться і виправляє помилки

Чип, розроблений вченими з KAIST, розв'язує проблему наявних нейроморфних пристроїв завдяки навчанню та виправленню помилок, спричинених неідеальними характеристиками.

Група дослідників з Корейського передового інституту науки і технологій (KAIST) у Південній Кореї розробила інтегрований чип на основі мемристора, який імітує процес обробки інформації в мозку. Про це пише Interesting Engineering.

Команда розробила нейроморфний чип наступного покоління — надмалий напівпровідник, який самостійно навчається і виправляє помилки.

Чип тепер готовий до використання в різних пристроях, таких як інтелектуальні камери безпеки, які миттєво виявляють підозрілу активність, не покладаючись на хмарні сервери, і медичні пристрої, які аналізують дані про стан здоров'я в режимі реального часу.

Цей чип, що самонавчається, продемонстрував свої можливості, досягнувши точності, яку можна порівняти з ідеальними комп'ютерними симуляціями під час оброблення зображень у реальному часі. Ключове досягнення дослідницької групи полягає у створенні системи, яка не тільки надійна, а й практична, перевершуючи розробку окремих компонентів, подібних до мозку.

Центральним елементом є напівпровідниковий пристрій нового покоління, званий мемристором. Його змінні властивості опору імітують роль синапсів у нейронних мережах, даючи змогу одночасно зберігати дані та виконувати обчислення, подібно до того, як функціонують клітини нашого мозку.

Мемристор точно контролює зміни опору, створюючи ефективну систему, яка усуває необхідність у складній компенсації за допомогою самонавчання. Це дослідження важливе, оскільки воно показує комерційний потенціал нейроморфної системи наступного покоління для навчання і виведення в реальному часі.

Платформи на основі мемристорів можуть забезпечити компактні та енергоефективні системи периферійних обчислень ШІ завдяки їхній здатності виконувати паралельні обчислення в аналоговій області. Однак системи на основі масивів мемристорів стикаються з труднощами під час реалізації алгоритмів ШІ в реальному часі з навчанням на пристрої через проблеми з надійністю, такі як низький вихід, погана однорідність і проблеми з витривалістю.

Тепер ця технологія спрямована на трансформацію того, як ШІ інтегрується в повсякденні пристрої, даючи змогу обробляти завдання ШІ локально.