Les scientifiques ont utilisé l'informatique neuromorphique pour permettre aux robots d'apprendre de nouveaux objets après leur déploiement. Pour ceux qui ne sont pas au courant, l'informatique neuromorphique reproduit la structure neuronale du cerveau humain pour créer des algorithmes capables de gérer les incertitudes du monde naturel. Intel Labs a développé l'une des architectures les plus remarquables dans le domaine : la puce neuromorphique Loihi.
Loihi se compose d'environ 130 XNUMX neurones artificiels qui s'envoient des informations via un réseau de neurones "spiking" (SNN). Les puces ont déjà alimenté une gamme de systèmes, de la peau artificielle intelligente au "nez" électronique qui détecte les odeurs d'explosifs.
Intel Labs a dévoilé un autre programme cette semaine. L'unité de recherche s'est associée à l'Institut italien de technologie et à l'Université technique de Munich pour mettre en œuvre Loihi dans une nouvelle approche de l'apprentissage tout au long de la vie en robotique. La méthode est destinée aux systèmes qui interagissent avec des environnements illimités, tels que les futurs assistants robots pour les soins de santé et la fabrication.
Les réseaux de neurones profonds existants peuvent avoir du mal avec les objets dans ces scénarios, car ils nécessitent de grandes données de formation bien formées et un recyclage approfondi sur les nouveaux objets qu'ils rencontrent. Une nouvelle approche neuromorphique vise à surmonter ces limitations.
Les chercheurs ont appliqué SNN à Loihi pour la première fois. Cette architecture localise l'apprentissage sur une seule couche de synapses plastiques. Il prend également en compte différents types d'objets, ajoutant de nouveaux neurones à la demande. En conséquence, le processus d'apprentissage se déroule de manière autonome lors de l'interaction avec l'utilisateur.
L'équipe a testé son approche dans un environnement 3D simulé. Dans cette configuration, le robot détecte activement des objets en déplaçant une caméra qui agit comme des yeux. Le capteur de la caméra "voit" les objets d'une manière inspirée par de petits mouvements oculaires fixateurs appelés "microsaccades". Si l'objet qu'il voit est nouveau, la représentation SNN est apprise ou mise à jour. Si l'objet est connu, le réseau le reconnaît et fournit un retour d'information à l'utilisateur.
L'équipe affirme que leur méthode nécessite 175 fois moins d'énergie pour fournir une vitesse et une précision similaires ou meilleures que les méthodes conventionnelles basées sur le processeur. Ils doivent maintenant tester leur algorithme dans le monde réel avec de vrais robots.
"Notre objectif est d'appliquer des capacités similaires aux futurs robots qui fonctionneront dans un environnement interactif, ce qui leur permettra de s'adapter à des circonstances imprévues et de travailler plus naturellement avec les gens", a déclaré l'auteur principal de l'étude, Yuliya Sandamyrska.
Vous pouvez aider l'Ukraine à lutter contre les envahisseurs russes, la meilleure façon de le faire est de faire un don aux forces armées ukrainiennes par le biais de Sauver la vie ou via la page officielle NBU.
Intéressant aussi :
- Les robots de Google deviennent de plus en plus humains et effectuent des tâches complexes
- Le nouveau matériau permettra aux robots de sentir le toucher