دانشمندان از محاسبات نورومورفیک استفاده کردند تا ربات ها بعد از استقرار اشیاء جدید را یاد بگیرند. برای کسانی که نمی دانند، محاسبات نورومورفیک ساختار عصبی مغز انسان را برای ایجاد الگوریتم هایی تکرار می کند که می تواند با عدم قطعیت های دنیای طبیعی مقابله کند. آزمایشگاه های اینتل یکی از قابل توجه ترین معماری ها را در این زمینه توسعه داده اند: تراشه نورومورفیک Loihi.
Loihi متشکل از حدود 130 نورون مصنوعی است که اطلاعات را از طریق یک شبکه عصبی "spiking" (SNN) به یکدیگر ارسال می کنند. این تراشه‌ها قبلاً طیف وسیعی از سیستم‌ها، از پوست مصنوعی هوشمند گرفته تا «بینی» الکترونیکی را که بوی مواد منفجره را تشخیص می‌دهد، تامین کرده‌اند.
آزمایشگاه های اینتل این هفته از برنامه دیگری رونمایی کردند. این واحد تحقیقاتی با مؤسسه فناوری ایتالیا و دانشگاه فنی مونیخ همکاری کرد تا Loihi را در رویکردی جدید برای یادگیری مادام‌العمر در رباتیک پیاده‌سازی کند. هدف این روش سیستم‌هایی است که با محیط‌های نامحدود تعامل دارند، مانند دستیاران ربات آینده برای مراقبت‌های بهداشتی و تولید.
شبکه‌های عصبی عمیق موجود در این سناریوها می‌توانند با اشیاء مبارزه کنند، زیرا به داده‌های آموزشی بزرگ و آموزش‌دیده و بازآموزی گسترده در مورد اشیاء جدیدی که با آنها برخورد می‌کنند نیاز دارند. هدف یک رویکرد نورومورفیک جدید برای غلبه بر این محدودیت ها است.
محققان برای اولین بار SNN را روی Loihi اعمال کردند. این معماری یادگیری را در یک لایه از سیناپس های پلاستیکی بومی سازی می کند. همچنین انواع مختلفی از اشیاء را در نظر می گیرد و نورون های جدیدی را در صورت نیاز اضافه می کند. در نتیجه، هنگام تعامل با کاربر، فرآیند یادگیری به طور مستقل آشکار می شود.
این تیم رویکرد خود را در یک محیط سه بعدی شبیه سازی شده آزمایش کردند. در این تنظیمات، ربات با حرکت دادن دوربینی که به عنوان چشم عمل می کند، به طور فعال اجسام را حس می کند. حسگر دوربین اشیاء را به روشی الهام گرفته از حرکات کوچک تثبیت کننده چشم به نام «میکروساکاد» می بیند. اگر شیئی که می بیند جدید باشد، نمایش SNN یاد گرفته یا به روز می شود. اگر شی شناخته شده باشد، شبکه آن را می شناسد و به کاربر بازخورد می دهد.
این تیم می گوید روش آنها به 175 برابر قدرت کمتری برای ارائه سرعت و دقت مشابه یا بهتر نسبت به روش های متداول مبتنی بر CPU نیاز دارد. اکنون آنها باید الگوریتم خود را در دنیای واقعی با روبات های واقعی آزمایش کنند.
یولیا ساندمیرسکا، نویسنده ارشد این مطالعه، گفت: «هدف ما استفاده از قابلیت‌های مشابه برای روبات‌های آینده است که در یک محیط تعاملی کار می‌کنند، که به آنها اجازه می‌دهد با شرایط پیش‌بینی‌نشده سازگار شوند و به‌طور طبیعی با مردم کار کنند.»
شما می توانید به اوکراین در مبارزه با مهاجمان روسی کمک کنید، بهترین راه برای انجام این کار اهدای کمک مالی به نیروهای مسلح اوکراین از طریق Savelife یا از طریق صفحه رسمی NBU.
همچنین جالب:
- روبات های گوگل روز به روز بیشتر شبیه انسان می شوند و وظایف پیچیده ای را انجام می دهند
- مواد جدید به ربات ها اجازه می دهد تا لمس کنند