Tutkijat käyttivät neuromorfista tietojenkäsittelyä pitääkseen robotit oppimassa uusia esineitä niiden käyttöönoton jälkeen. Niille, jotka eivät tiedä, neuromorfinen laskenta toistaa ihmisaivojen hermorakenteen luodakseen algoritmeja, jotka voivat käsitellä luonnon maailman epävarmuustekijöitä. Intel Labs on kehittänyt yhden alan merkittävimmistä arkkitehtuureista: Loihi neuromorfisen sirun.
Loihi koostuu noin 130 XNUMX keinotekoisesta neuronista, jotka lähettävät tietoa toisilleen "spiking" neuroverkon (SNN) kautta. Sirut ovat jo käyttäneet useita järjestelmiä älykkäästä keinoihosta elektroniseen "nenään", joka tunnistaa räjähteiden hajuja.
Intel Labs julkisti toisen ohjelman tällä viikolla. Tutkimusyksikkö teki yhteistyötä Italian teknologiainstituutin ja Münchenin teknillisen yliopiston kanssa toteuttaakseen Loihia uudessa lähestymistavassa elinikäiseen oppimiseen robotiikassa. Menetelmä on suunnattu järjestelmille, jotka ovat vuorovaikutuksessa rajattomien ympäristöjen kanssa, kuten terveydenhuollon ja valmistuksen tulevaisuuden robottiassistentit.
Olemassa olevat syvät hermoverkot voivat kamppailla objektien kanssa näissä skenaarioissa, koska ne vaativat suuria hyvin koulutettuja koulutustietoja ja laajaa uudelleenkoulutusta uusien kohtaamiensa kohteiden suhteen. Uusi neuromorfinen lähestymistapa pyrkii voittamaan nämä rajoitukset.
Tutkijat sovelsivat SNN:ää Loihiin ensimmäistä kertaa. Tämä arkkitehtuuri lokalisoi oppimisen yhteen muovisynapsien kerrokseen. Se ottaa myös huomioon erityyppiset esineet ja lisää tarvittaessa uusia hermosoluja. Tämän seurauksena oppimisprosessi etenee itsenäisesti vuorovaikutuksessa käyttäjän kanssa.
Tiimi testasi lähestymistapaansa simuloidussa 3D-ympäristössä. Tässä asetelmassa robotti havaitsee aktiivisesti kohteita liikuttamalla silmänä toimivaa kameraa. Kameran anturi "näkee" esineitä tavalla, joka on inspiroitunut pienistä kiinnittävistä silmän liikkeistä, joita kutsutaan "mikrosakadeiksi". Jos objekti, jonka se näkee, on uusi, SNN-esitys opitaan tai päivitetään. Jos kohde tunnetaan, verkko tunnistaa sen ja antaa palautetta käyttäjälle.
Tiimi sanoo, että heidän menetelmänsä vaatii 175 kertaa vähemmän tehoa tarjotakseen samanlaisen tai paremman nopeuden ja tarkkuuden kuin perinteiset prosessoripohjaiset menetelmät. Nyt heidän on testattava algoritmiaan todellisessa maailmassa oikeiden robottien kanssa.
"Tavoitteemme on soveltaa samanlaisia ominaisuuksia tuleviin robotteihin, jotka toimivat interaktiivisessa ympäristössä, jolloin ne voivat sopeutua odottamattomiin olosuhteisiin ja toimia luonnollisemmin yhdessä ihmisten kanssa", sanoi tutkimuksen vanhempi kirjoittaja Yuliya Sandamyrska.
Voit auttaa Ukrainaa taistelemaan venäläisiä hyökkääjiä vastaan. Paras tapa tehdä tämä on lahjoittaa varoja Ukrainan asevoimille Pelasta elämä tai virallisen sivun kautta NBU.
Mielenkiintoista myös:
- Googlen robotit ovat yhä enemmän ihmisen kaltaisia ja suorittavat monimutkaisia tehtäviä
- Uuden materiaalin ansiosta robotit voivat tuntea kosketuksen