Gli scienziati hanno utilizzato l'informatica neuromorfica per far sì che i robot imparassero nuovi oggetti dopo che erano stati schierati. Per chi non lo sapesse, l'informatica neuromorfica replica la struttura neurale del cervello umano per creare algoritmi in grado di affrontare le incertezze del mondo naturale. Intel Labs ha sviluppato una delle architetture più importanti nel campo: il chip neuromorfo Loihi.
Loihi è costituito da circa 130 neuroni artificiali che si scambiano informazioni tramite una rete neurale "spiking" (SNN). I chip hanno già alimentato una serie di sistemi, dalla pelle artificiale intelligente a un "naso" elettronico che rileva gli odori degli esplosivi.
Intel Labs ha presentato un altro programma questa settimana. L'unità di ricerca ha collaborato con l'Istituto Italiano di Tecnologia e l'Università Tecnica di Monaco per implementare Loihi in un nuovo approccio all'apprendimento permanente nella robotica. Il metodo è rivolto a sistemi che interagiscono con ambienti illimitati, come i futuri assistenti robotici per l'assistenza sanitaria e la produzione.
Le reti neurali profonde esistenti possono avere problemi con gli oggetti in questi scenari, poiché richiedono dati di addestramento di grandi dimensioni e ben addestrati e un'ampia riqualificazione sui nuovi oggetti che incontrano. Un nuovo approccio neuromorfico mira a superare questi limiti.
I ricercatori hanno applicato per la prima volta SNN a Loihi. Questa architettura localizza l'apprendimento in un singolo strato di sinapsi di plastica. Prende anche in considerazione diversi tipi di oggetti, aggiungendo nuovi neuroni su richiesta. Di conseguenza, il processo di apprendimento si svolge in modo autonomo quando si interagisce con l'utente.
Il team ha testato il proprio approccio in un ambiente 3D simulato. In questa configurazione, il robot rileva attivamente gli oggetti spostando una telecamera che funge da occhi. Il sensore della fotocamera "vede" gli oggetti in un modo ispirato a piccoli movimenti oculari fissativi chiamati "microsaccadi". Se l'oggetto che vede è nuovo, la rappresentazione SNN viene appresa o aggiornata. Se l'oggetto è noto, la rete lo riconosce e fornisce un feedback all'utente.
Il team afferma che il loro metodo richiede una potenza 175 volte inferiore per fornire velocità e precisione simili o migliori rispetto ai metodi tradizionali basati sulla CPU. Ora devono testare il loro algoritmo nel mondo reale con robot reali.
"Il nostro obiettivo è applicare capacità simili ai futuri robot che funzioneranno in un ambiente interattivo, che consentirà loro di adattarsi a circostanze impreviste e lavorare in modo più naturale insieme alle persone", ha affermato l'autore senior dello studio Yuliya Sandamyrska.
Puoi aiutare l'Ucraina a combattere gli invasori russi, il modo migliore per farlo è donare fondi alle forze armate ucraine attraverso Salva Vita o tramite la pagina ufficiale NBU.
Interessante anche:
- I robot di Google stanno diventando sempre più simili a quelli umani ed eseguono compiti complessi
- Il nuovo materiale consentirà ai robot di sentire il tatto