科学家使用神经形态计算让机器人在部署后继续学习新对象。 对于那些不知道的人，神经形态计算复制了人脑的神经结构，以创建可以处理自然世界不确定性的算法。 英特尔实验室开发了该领域最著名的架构之一：Loihi 神经形态芯片。
Loihi 由大约 130 个人工神经元组成，它们通过“脉冲”神经网络 (SNN) 相互发送信息。 这些芯片已经为一系列系统提供动力，从智能人造皮肤到检测爆炸物气味的电子“鼻子”。
英特尔实验室本周公布了另一个项目。 该研究单位与意大利理工学院和慕尼黑工业大学合作，以一种新的机器人终身学习方法实施 Loihi。 该方法针对与无限环境交互的系统，例如未来用于医疗保健和制造的机器人助手。
现有的深度神经网络在处理这些场景中的物体时可能会遇到困难，因为它们需要大量训练有素的训练数据，并对遇到的新物体进行广泛的再训练。 一种新的神经形态方法旨在克服这些限制。
研究人员首次将 SNN 应用于 Loihi。 这种架构将学习定位到单层塑料突触。 它还考虑到不同类型的对象，按需添加新的神经元。 因此，学习过程在与用户交互时会自动展开。
该团队在模拟 3D 环境中测试了他们的方法。 在此设置中，机器人通过移动充当眼睛的相机来主动感知物体。 相机传感器以一种受称为“微跳”的固定眼球运动启发的方式“看到”物体。 如果它看到的对象是新的，则学习或更新 SNN 表示。 如果该对象是已知的，则网络会识别它并向用户提供反馈。
该团队表示，与传统的基于 CPU 的方法相比，他们的方法需要的功率减少 175 倍才能提供相似或更好的速度和准确性。 现在他们需要用真实的机器人在现实世界中测试他们的算法。
该研究的资深作者 Yuliya Sandamyrska 说：“我们的目标是将类似的能力应用到将在交互式环境中工作的未来机器人，这将使它们能够适应不可预见的情况并更自然地与人一起工作。”
您可以帮助乌克兰对抗俄罗斯入侵者，最好的方法是通过以下方式向乌克兰武装部队捐款 拯救生命 或通过官方页面 NBU.
也很有趣：