Wetenschappers gebruikten neuromorphic computing om robots nieuwe objecten te laten leren nadat ze waren ingezet. Voor degenen die niet op de hoogte zijn, repliceert neuromorphic computing de neurale structuur van het menselijk brein om algoritmen te creëren die kunnen omgaan met de onzekerheden van de natuurlijke wereld. Intel Labs heeft een van de meest opvallende architecturen in het veld ontwikkeld: de Loihi neuromorphic chip.
Loihi bestaat uit ongeveer 130 kunstmatige neuronen die informatie naar elkaar sturen via een "spiking" neuraal netwerk (SNN). De chips hebben al een reeks systemen aangestuurd, van slimme kunstmatige huid tot een elektronische "neus" die de geuren van explosieven detecteert.
Intel Labs heeft deze week een ander programma onthuld. De onderzoekseenheid werkte samen met het Italiaanse Instituut voor Technologie en de Technische Universiteit van München om Loihi te implementeren in een nieuwe benadering van levenslang leren in robotica. De methode is gericht op systemen die interageren met grenzeloze omgevingen, zoals toekomstige robotassistenten voor zorg en productie.
Bestaande diepe neurale netwerken kunnen in deze scenario's worstelen met objecten, omdat ze grote, goed opgeleide trainingsgegevens en uitgebreide herscholing op nieuwe objecten die ze tegenkomen, vereisen. Een nieuwe neuromorfische benadering heeft tot doel deze beperkingen te overwinnen.
De onderzoekers pasten SNN voor het eerst toe op Loihi. Deze architectuur lokaliseert het leren naar een enkele laag plastic synapsen. Het houdt ook rekening met verschillende soorten objecten en voegt op verzoek nieuwe neuronen toe. Hierdoor ontvouwt het leerproces zich autonoom in interactie met de gebruiker.
Het team testte hun aanpak in een gesimuleerde 3D-omgeving. In deze opstelling detecteert de robot actief objecten door een camera te bewegen die als ogen fungeert. De camerasensor "ziet" objecten op een manier die is geïnspireerd op kleine fixerende oogbewegingen die "microsaccades" worden genoemd. Als het object dat het ziet nieuw is, wordt de SNN-representatie geleerd of bijgewerkt. Als het object bekend is, herkent het netwerk het en geeft het de gebruiker feedback.
Het team zegt dat hun methode 175 keer minder stroom nodig heeft om vergelijkbare of betere snelheid en nauwkeurigheid te bieden dan conventionele CPU-gebaseerde methoden. Nu moeten ze hun algoritme in de echte wereld testen met echte robots.
"Ons doel is om soortgelijke mogelijkheden toe te passen op toekomstige robots die in een interactieve omgeving zullen werken, waardoor ze zich kunnen aanpassen aan onvoorziene omstandigheden en natuurlijker kunnen samenwerken met mensen", zegt de senior auteur van de studie Yuliya Sandamyrska.
U kunt Oekraïne helpen vechten tegen de Russische indringers, de beste manier om dit te doen is door geld te doneren aan de strijdkrachten van Oekraïne via Red het leven of via de officiële pagina NBU.
Ook interessant:
- De robots van Google worden steeds menselijker en voeren complexe taken uit
- Met het nieuwe materiaal kunnen robots aanraking voelen