Գիտնականներն օգտագործել են նեյրոմորֆիկ հաշվարկներ, որպեսզի ռոբոտները շարունակեն սովորել նոր առարկաներ դրանց տեղակայումից հետո: Նրանց համար, ովքեր տեղյակ չեն, նեյրոմորֆիկ հաշվարկը կրկնում է մարդու ուղեղի նյարդային կառուցվածքը՝ ստեղծելով ալգորիթմներ, որոնք կարող են զբաղվել բնական աշխարհի անորոշությունների հետ: Intel Labs-ը մշակել է ոլորտում ամենանշանավոր ճարտարապետություններից մեկը՝ Loihi neuromorphic չիպը:
Loihi-ն բաղկացած է մոտավորապես 130 արհեստական նեյրոններից, որոնք տեղեկատվություն են ուղարկում միմյանց «spiking» նեյրոնային ցանցի (SNN) միջոցով: Չիպերն արդեն սնուցել են մի շարք համակարգեր՝ խելացի արհեստական մաշկից մինչև էլեկտրոնային «քիթ», որը հայտնաբերում է պայթուցիկների հոտերը:
Intel Labs-ը մեկ այլ ծրագիր է ներկայացրել այս շաբաթ: Հետազոտական միավորը միավորվել է Իտալիայի տեխնոլոգիական ինստիտուտի և Մյունխենի տեխնիկական համալսարանի հետ՝ Loihi-ին ռոբոտաշինության ոլորտում ցմահ ուսուցման նոր մոտեցման մեջ ներդրման համար: Մեթոդը ուղղված է այնպիսի համակարգերի, որոնք փոխազդում են անսահմանափակ միջավայրերի հետ, ինչպիսիք են ապագա ռոբոտների օգնականները առողջապահության և արտադրության ոլորտում:
Գոյություն ունեցող խորը նեյրոնային ցանցերը կարող են պայքարել օբյեկտների հետ այս սցենարներում, քանի որ դրանք պահանջում են մեծ լավ պատրաստված ուսումնական տվյալներ և լայնածավալ վերապատրաստում նոր օբյեկտների վերաբերյալ, որոնց նրանք հանդիպում են: Նոր նեյրոմորֆիկ մոտեցումը նպատակ ունի հաղթահարել այս սահմանափակումները:
Հետազոտողները առաջին անգամ կիրառեցին SNN-ը Loihi-ի վրա: Այս ճարտարապետությունը տեղայնացնում է ուսուցումը պլաստիկ սինապսների մեկ շերտում: Այն նաև հաշվի է առնում տարբեր տեսակի առարկաներ՝ ըստ պահանջի ավելացնելով նոր նեյրոններ: Արդյունքում ուսուցման գործընթացը ինքնավար է ծավալվում օգտատիրոջ հետ շփվելիս:
Թիմը փորձարկել է իրենց մոտեցումը մոդելավորված 3D միջավայրում: Այս կարգավորումներում ռոբոտն ակտիվորեն զգում է առարկաները՝ շարժելով տեսախցիկը, որը գործում է որպես աչքեր: Տեսախցիկի սենսորը «տեսնում է» առարկաները այնպես, որ ոգեշնչված են փոքր ամրացնող աչքերի շարժումներից, որոնք կոչվում են «միկրոսակադներ»: Եթե տեսած օբյեկտը նոր է, SNN-ի ներկայացումը սովորում կամ թարմացվում է: Եթե օբյեկտը հայտնի է, ցանցը ճանաչում է այն և հետադարձ կապ է տրամադրում օգտագործողին:
Թիմն ասում է, որ իրենց մեթոդը պահանջում է 175 անգամ ավելի քիչ էներգիա՝ նմանատիպ կամ ավելի լավ արագություն և ճշգրտություն ապահովելու համար, քան սովորական պրոցեսորի վրա հիմնված մեթոդները: Այժմ նրանք պետք է փորձարկեն իրենց ալգորիթմը իրական աշխարհում իրական ռոբոտների միջոցով:
«Մեր նպատակն է նմանատիպ հնարավորություններ կիրառել ապագա ռոբոտների համար, որոնք կաշխատեն ինտերակտիվ միջավայրում, ինչը թույլ կտա նրանց հարմարվել չնախատեսված հանգամանքներին և ավելի բնական աշխատել մարդկանց հետ»,- ասել է հետազոտության ավագ հեղինակ Յուլիա Սանդամիրսկան:
Դուք կարող եք օգնել Ուկրաինային պայքարել ռուս զավթիչների դեմ, դրա լավագույն միջոցը Ուկրաինայի զինված ուժերին միջոցներ նվիրաբերելն է։ Savelife կամ պաշտոնական էջի միջոցով NBU.
Հետաքրքիր է նաև.
- Google-ի ռոբոտներն ավելի ու ավելի են նմանվում մարդուն և կատարում բարդ առաջադրանքներ
- Նոր նյութը թույլ կտա ռոբոտներին հպում զգալ