Forscher ahmen das menschliche Gehirn nach, um ein neuronales Netzwerk mit geringer Leistung zu schaffen

Neuronale Netzwerke - oder künstliche Nachbildungen des menschlichen Gehirns - lassen Wissenschaftler und Ingenieure Analysen durchführen, die den Menschen ewig brauchen. Sie können endlose Datentabellen durchfluten und auf Abweichungen in Bildern hinweisen, die von den Benutzern nicht bemerkt werden.

Sie haben jedoch einen Nachteil: Die besten neuronalen Netze im Spiel verbrauchen unglaublich viel Energie für ihre Arbeit.

"Vor einigen Jahren versuchte IBM, die Gehirnaktivität einer Katze in einem Supercomputer zu simulieren, und sie verbrauchten Megawatt an Energie", erzählt der Abronil Sengupta-Forscher der Purdue University Inverse. „Das biologische menschliche Gehirn verbraucht bei weitem nicht so viel. Dies ist kein direkter Eins-zu-Eins-Vergleich zu einem neuronalen Netzwerk, aber es sollte Ihnen eine Einschätzung geben, wie leistungsintensive Computersysteme sind."

Sengupta und ein Team von Informatikern der Purdue University und des Instituts für Elektro- und Elektronikingenieure (IEEE) haben einen Weg gefunden, neuronale Netze dazu zu bringen, viel weniger Energie zu verbrauchen, während sie trotzdem einen Kick-Ass-Job machen. Ein Artikel, das sie auf der Vorabdruckseite von arXiv gepostet haben, erläutert, wie sie sich vom menschlichen Gehirn inspirieren ließen und ihre Idee so umsetzten, dass ihr neuronales Netz etwa 11-mal weniger Energie verbraucht als herkömmliche Systeme.

Ihr Ansatz verwendet spiking neuronale Netze oder SNN. Im Gegensatz zu ihren Pendants emulieren diese Computersysteme biologische Neuronen viel genauer.

Standardneuralnetze bestehen aus Tausenden von Knoten, die verwendet werden, um Entscheidungen und Beurteilungen über die ihnen präsentierten Daten zu treffen. Die Ausgabe von diesen hängt nur von dem ab, was gerade präsentiert wird, während die SNN-Ausgabe auch von vorherigen Stimuli abhängt. Knoten in einer SNN funktionieren nur, wenn ein bestimmter Reiz erreicht wird. Also statt ständig Daten an andere Knoten weiterleiten, SNN-Knoten geben Informationen nur dann weiter, wenn sie müssen, zu … haben.

Dies ist normalerweise mit enormen Energiekosten verbunden, da die meisten dieser Systeme mit der sogenannten komplementären Metalloxid-Halbleiter-Technologie (CMOS) hergestellt werden. Diese Technologie besteht aus allen Chips in Ihrem Laptop und wurde als Baustein für neuronale Netzwerke verwendet. Für ihre Studie hat die Forschergruppe CMOS-Technologie aufgegeben und eine SNN gebaut, die komplett aus Memristoren besteht.

Abkürzung für „Memory Widerstände“, den elektrischen Widerstand der Memristoren, hängt davon ab, wie viel elektrische Ladung in der Vergangenheit durch sie hindurchfloss. Im Gegensatz zu CMOS-Technologie ist es also in der Lage, sich "daran zu erinnern", was zuvor durchgegangen ist. Genau das müssen Knoten in SNNs tun.

Die Ergebnisse der Studie zeigten, dass Memristoren das biologische Neuron ziemlich gut nachahmen. Sie kommunizieren über Spitzen oder kurze Energiestöße miteinander, während ein konstanter Stromfluss auftritt. Diese Memristor-SNN wies eine geringfügige Abnahme der Genauigkeit auf, wenn sie für die Bildklassifizierung im Vergleich zu ihren CMOS-Gegenstücken verwendet wurde, aber sie brauchte nur einen Bruchteil der für das Power-Standard üblichen neuronalen Netze.

Vor dieser Studie waren SNNs einem künstlichen menschlichen Gehirn am nächsten, das wir hatten, aber die enorme Menge an Energie, die sie brauchten, machte einige ihrer Vorteile zunichte. Wenn andere Wissenschaftler in der Lage sind, diese energiesparenden neuronalen Netzwerke zu replizieren, könnten sie mit weniger Energie mehr erreichen und sie näher an das Erkennen des biologischen Gehirns heranführen.