פרויקט של האיחוד האירופי מנסה לחקות את העיבוד של מערכות עצביות ביולוגיות

התוצאות ישמשו לבניית מערכות מחשוב נוירומורפיות שיכולת לעבד ביעילות אותות חושיים מהעולם האמיתי ונתוני סדרות עיתיות טבעיות בזמן אמת. יישומי המטרה כוללים ניטור סביבתי מבוזר רב מימדי, שבבים מושתלים לאבחון רפואי, אלקטרוניקה לבישה וממשקי אדם- מחשב

הבינה המלאכותית נחשבת לטכנולוגיית המחשוב המאפשרת של החידושים הטכנולוגיים בשנים הקרובות. האינטרנט של הדברים כבר עושה שימוש נרחב בפרדיגמות מחשוב של למידה עמוקה כדי לאפשר שירותים של חיפוש מידע באינטרנט או כדי לזהות מידע אודיו-ויזואלי, ואילו האינטרנט של כל דבר שמתפתח ינהל ויספק שירותים שמעבדים נתונים ממיליארדי חיישנים מרושתים.

CEA-Leti הודיעה על השתתפותה בפרויקט MeM-Scales החדש של האיחוד האירופי, שמטרתו לפתח סוג של אלגוריתמים, התקנים ומעגלים שיחקו את העיבוד בסולמות זמן מרובים של מערכות עצביות ביולוגיות.

התוצאות ישמשו לבניית מערכות מחשוב נוירומורפיות שיכולת לעבד ביעילות אותות חושיים מהעולם האמיתי ונתוני סדרות עיתיות טבעיות בזמן אמת וכדי להדגים את הרעיונות באמצעות אב טיפוס מעשי במעבדה. יישומי המטרה כוללים ניטור סביבתי מבוזר רב מימדי, שבבים מושתלים לאבחון רפואי, אלקטרוניקה לבישה וממשקי אדם- מחשב. 

לשם אינטראקציה עם העולם האמיתי, המוח מעבד ותופס את האותות החושיים בסולמות זמן מרובים, ציינה אליסה ויאנלו, מנהלת תוכנית הבינה המלאכותית ב-CEA-Leti, בראיון ל-EE Times אירופה.

“זיכרון של האינטראקציה הזאת נוצר בסולמות זמן שנעים ממאיות שנייה (זיכרון לטווח קצר) ועד לחודשים ושנים (שינויים מבניים ארוכי טווח)”, אמרה ויאנלו. “כדי לתכנן מערכות שמבצעות אינטראקציה עם העולם האמיתי, מעגלים נוירומורפיים צריכים לחקות את העיבוד בסולמות זמן מרובים של המוח. לכן, המעגלים האלה הם הרכיבים הקריטיים בצנרת העיבוד”.

במודל סטנדרטי של רשת עצבית, נתוני קלט נשלחים תחילה לתאי העצב של הקלט ולאחר מכן מועברים דרך שכבות נסתרות של תאי עצב אחרים דרך חיבורים הנקראים סינפסות. הנתונים עוברים שינוי בכל שלב, והפלט משכבה אחת משמש כקלט של השכבה הבאה.

הנתונים מגיעים בסופו של דבר לשכבת הפלט הסופית, שמספקת את הניבוי – לדוגמה, סיווג לקטגוריה או ערך מספרי ברגרסיה. אין כאן אלמנט של זמן אמת – נתוני הקלט מועברים כולם באותו הזמן, עוברים דרך כל אחת מהשכבות הנסתרות לפי הסדר, ונפלטים כולם בבת אחת.

אבל מה אם נתוני הקלט לא מגיעים כולם באותו זמן בצורה נקייה – מה אם הם סדרה עיתית או נתונים שתלויים בזמן באופן אחר כלשהו, כגון קלט בזמן אמת מחיישנים במכונית שנוהגת את עצמה? ומה אם זה המצב גם לגבי התוצאות — ומה אם גם התוצאות מבוססות על זמן, כמו הוראות שניתנות למכונית שנוהגת את עצמה מתי לפנות ומתי להגביר או להפחית מהירות?

רשתות נוירונים עם עליות חדות (SNNs) הן פתרון לבעיה הזאת. הן יכולות לקבל קלטים מבוססי זמן ולהפיק פלטים מבוססי זמן. במקום שכבות מסודרות, יש בתוכן מבנים יותר מורכבים להעברת נתונים בין תאי עצב, כמו לולאות או חיבורים רב כיווניים. משום שהן יותר מורכבות, הן דורשות סוגים שונים של אלגוריתמי אימון ולמידה, כגון ביצוע שינויים לגישות דמויות הפצה לאחור כדי להסתגל להתנהגות של עליות חדות.

עוד בנושא באתר הידען:

• מה הקשר בין חיידקים לרשתות נוירונים?
• אנו מפתחים רשתות נוירונים שיאפשרו לעבד כמות עצומה של טקסטים ולתמצת את משמעותם
• נוירונים מחפשים משמעות