Piedra de afilar, una herramienta de software que agudiza la salida de neuronas artificiales, ha permitido que las redes de computadoras neuronales procesen información hasta cien veces más eficientemente que el estándar actual de la industria, dicen los investigadores de Sandia National Laboratories que lo desarrollaron.

El software con el nombre adecuado, lo que reduce en gran medida la cantidad de circuitos necesarios para realizar tareas autónomas, se espera que aumente la penetración de la inteligencia artificial en los mercados de teléfonos móviles, coches autónomos e interpretación automatizada de imágenes.

"En lugar de enviar interminables goteos de información, "Brad Aimone, neurocientífico de Sandia, dijo:"las neuronas artificiales entrenadas por Whetstone liberan energía en picos, al igual que lo hacen las neuronas humanas ".

Las empresas de inteligencia artificial más grandes han producido herramientas de picos para sus propios productos, pero ninguno es tan rápido o eficiente como Whetstone, dice el matemático de Sandia William Severa. "Las grandes empresas conocen este proceso y han construido sistemas similares, pero a menudo los suyos funcionan solo para sus propios diseños. Whetstone funcionará en muchas plataformas neuronales ".

El código de fuente abierta apareció recientemente en un artículo técnico en Nature Machine Intelligence y Sandia lo propuso para una patente.

Cómo agudizar las neuronas

Las neuronas artificiales son básicamente condensadores que absorben y suman cargas eléctricas que luego liberan en pequeñas ráfagas de electricidad. Chips de ordenador, denominados "sistemas neuromórficos, "ensamblan redes neuronales en grandes grupos que imitan el cerebro humano enviando estímulos eléctricos a las neuronas que se activan en un orden no predecible. Esto contrasta con un procedimiento más bloqueado utilizado por las computadoras de escritorio con sus procesos electrónicos preestablecidos.

A causa de sus disparos al azar, Los sistemas neuromórficos suelen ser más lentos que los ordenadores convencionales, pero también requieren mucha menos energía para funcionar. También requieren un enfoque diferente para la programación porque, de lo contrario, sus neuronas artificiales se activan con demasiada frecuencia o no lo suficiente. que ha sido un problema para ponerlos en línea comercialmente.

Piedra de afilar, que funciona como un código de computadora complementario agregado a programas de capacitación de software más convencionales, entrena y agudiza las neuronas artificiales aprovechando las que se disparan solo cuando hay una cantidad suficiente de energía (leer, información —ha sido recopilada. La formación ha demostrado ser eficaz para mejorar las redes neuronales estándar y está en proceso de evaluación para la tecnología emergente de sistemas neuromórficos.

Catherine Schuman, un investigador de redes neuronales en Oak Ridge National Laboratories, dijo, "Whetstone es una herramienta importante para la comunidad neuromórfica. Proporciona una forma estandarizada de entrenar redes neuronales tradicionales que se pueden implementar en sistemas neuromórficos". que se había hecho anteriormente de manera ad hoc ".

El maestro estricto

El proceso Whetstone, Aimone dijo:se puede visualizar como el control de una clase de estudiantes de escuela primaria locuaces que tienen la tarea de identificar un objeto en el escritorio de su maestro. Antes de Whetstone, los estudiantes enviaron un flujo continuo de entradas de sensores a su maestro anteriormente abrumado, que tuvo que escuchar todo, cada golpe y risa, por así decirlo, antes de pasar una decisión al sistema neuronal. Esta enorme cantidad de información a menudo requiere computación basada en la nube para procesar, o la incorporación de más equipos informáticos locales combinados con un fuerte aumento de la energía eléctrica. Ambas opciones aumentan el tiempo y el costo de los productos comerciales de inteligencia artificial, disminuir su seguridad y privacidad y hacer que su aceptación sea menos probable.

Bajo piedra de afilar, su nuevo maestro estricto solo presta atención a una simple medida de "sí" o "no" de cada estudiante, cuando levantan la mano con una solución, en lugar de a todo lo que están diciendo. Suponer, por ejemplo, la intención es identificar si una pieza de fruta verde en el escritorio del maestro es una manzana. Cada alumno es un sensor que puede responder a una cualidad diferente de lo que puede ser una manzana:¿Tiene la calidad de olfato correcta? gusto, textura y así sucesivamente? Y mientras que el estudiante que busca el rojo puede votar "no", el otro estudiante que busca el verde votaría "sí". Cuando el número de respuestas, ya sea o no, es eléctricamente lo suficientemente alto como para activar la capacidad de la neurona para disparar, ese simple resultado, en lugar de gofres interminables, entra en el sistema neuronal general.

Si bien las simplificaciones de Whetstone podrían potencialmente aumentar los errores, la abrumadora cantidad de neuronas participantes, a menudo más de un millón, proporcionan información que compensa estadísticamente las inexactitudes introducidas por la simplificación de datos, Severa dijo, responsable de las matemáticas del programa.

"Combinar información interna demasiado detallada con la gran cantidad de neuronas que informan es una especie de reserva doble, ", dice." Es innecesario. Nuestros resultados nos dicen de la manera clásica, calcular todo sin simplificar, es un desperdicio. Por eso podemos ahorrar energía y hacerlo bien ".

Los programas parcheados funcionan mejor

El programa de software funciona mejor cuando se incluye en programas destinados a entrenar nuevos equipos de inteligencia artificial. por lo que Whetstone no tiene que superar los patrones aprendidos con mínimos de energía ya establecidos.