Οι επιστήμονες χρησιμοποίησαν νευρομορφικούς υπολογιστές για να συνεχίσουν τα ρομπότ να μαθαίνουν νέα αντικείμενα μετά την ανάπτυξή τους. Για όσους δεν γνωρίζουν, ο νευρομορφικός υπολογισμός αναπαράγει τη νευρική δομή του ανθρώπινου εγκεφάλου για να δημιουργήσει αλγόριθμους που μπορούν να αντιμετωπίσουν τις αβεβαιότητες του φυσικού κόσμου. Η Intel Labs έχει αναπτύξει μια από τις πιο αξιόλογες αρχιτεκτονικές στον τομέα: το νευρομορφικό τσιπ Loihi.
Το Loihi αποτελείται από περίπου 130 τεχνητούς νευρώνες που στέλνουν πληροφορίες ο ένας στον άλλο μέσω ενός νευρικού δικτύου (SNN). Τα τσιπ έχουν ήδη τροφοδοτήσει μια σειρά συστημάτων, από έξυπνο τεχνητό δέρμα έως μια ηλεκτρονική «μύτη» που ανιχνεύει τις μυρωδιές των εκρηκτικών.
Η Intel Labs παρουσίασε ένα άλλο πρόγραμμα αυτή την εβδομάδα. Η ερευνητική μονάδα συνεργάστηκε με το Ιταλικό Ινστιτούτο Τεχνολογίας και το Τεχνικό Πανεπιστήμιο του Μονάχου για να εφαρμόσει το Loihi σε μια νέα προσέγγιση στη δια βίου μάθηση στη ρομποτική. Η μέθοδος στοχεύει σε συστήματα που αλληλεπιδρούν με απεριόριστα περιβάλλοντα, όπως μελλοντικοί βοηθοί ρομπότ για την υγειονομική περίθαλψη και την κατασκευή.
Τα υπάρχοντα βαθιά νευρωνικά δίκτυα μπορούν να αντιμετωπίσουν αντικείμενα σε αυτά τα σενάρια, καθώς απαιτούν μεγάλα καλά εκπαιδευμένα δεδομένα εκπαίδευσης και εκτεταμένη επανεκπαίδευση σε νέα αντικείμενα που συναντούν. Μια νέα νευρομορφική προσέγγιση στοχεύει να ξεπεράσει αυτούς τους περιορισμούς.
Οι ερευνητές εφάρμοσαν το SNN στο Loihi για πρώτη φορά. Αυτή η αρχιτεκτονική εντοπίζει τη μάθηση σε ένα μόνο στρώμα πλαστικών συνάψεων. Λαμβάνει επίσης υπόψη διαφορετικούς τύπους αντικειμένων, προσθέτοντας νέους νευρώνες κατά παραγγελία. Ως αποτέλεσμα, η διαδικασία εκμάθησης εκτυλίσσεται αυτόνομα όταν αλληλεπιδρά με τον χρήστη.
Η ομάδα δοκίμασε την προσέγγισή της σε ένα προσομοιωμένο τρισδιάστατο περιβάλλον. Σε αυτή τη ρύθμιση, το ρομπότ αισθάνεται ενεργά αντικείμενα μετακινώντας μια κάμερα που λειτουργεί ως μάτια. Ο αισθητήρας της κάμερας «βλέπει» αντικείμενα με τρόπο εμπνευσμένο από μικρές σταθεροποιητικές κινήσεις των ματιών που ονομάζονται «μικροσακάδες». Εάν το αντικείμενο που βλέπει είναι νέο, μαθαίνεται ή ενημερώνεται η αναπαράσταση SNN. Εάν το αντικείμενο είναι γνωστό, το δίκτυο το αναγνωρίζει και παρέχει ανατροφοδότηση στο χρήστη.
Η ομάδα λέει ότι η μέθοδός τους απαιτεί 175 φορές λιγότερη ισχύ για να παρέχει παρόμοια ή καλύτερη ταχύτητα και ακρίβεια από τις συμβατικές μεθόδους που βασίζονται σε CPU. Τώρα πρέπει να δοκιμάσουν τον αλγόριθμό τους στον πραγματικό κόσμο με πραγματικά ρομπότ.
«Στόχος μας είναι να εφαρμόσουμε παρόμοιες δυνατότητες σε μελλοντικά ρομπότ που θα λειτουργούν σε ένα διαδραστικό περιβάλλον, το οποίο θα τους επιτρέψει να προσαρμοστούν σε απρόβλεπτες συνθήκες και να εργαστούν πιο φυσικά μαζί με τους ανθρώπους», δήλωσε η ανώτερη συγγραφέας της μελέτης Yuliya Sandamyrska.
Μπορείτε να βοηθήσετε την Ουκρανία να πολεμήσει ενάντια στους Ρώσους εισβολείς, ο καλύτερος τρόπος για να το κάνετε αυτό είναι να δωρίσετε κεφάλαια στις Ένοπλες Δυνάμεις της Ουκρανίας μέσω Savelife ή μέσω της επίσημης σελίδας NBU.
Επίσης ενδιαφέρον:
- Τα ρομπότ της Google γίνονται όλο και πιο ανθρώπινα και εκτελούν πολύπλοκες εργασίες
- Το νέο υλικό θα επιτρέψει στα ρομπότ να αισθάνονται την αφή