HBP와 Intel의 연구원들은 이러한 효율성을 입증하는 일련의 실험을 수행했다. 실험에는 인간 두뇌의 뉴런과 유사한 뉴런에 의존하는 새로운 인텔 칩이 포함되었다. 이러한 결과가 입증된 것은 이번이 처음이었다.

이번 연구는 네이처 머신 인텔리전스(Nature Machine Intelligence)에 게재됐다.

인텔의 로이히(Loihi) 칩

이 그룹은 시간적 프로세스와 함께 작동하는 알고리즘에 중점을 두었고 시스템은 컨텍스트에서 개체 또는 사람 간의 관계를 이해하면서 이전에 말한 이야기에 대한 질문에 답변해야 했다. 하드웨어는 인텔(Intel)의 신경 연구 칩인 로이히(Loihi) 칩 32개로 구성되었다.

Phillip Plank는 TU Graz 이론 컴퓨터 과학 연구소의 박사 과정 학생이자 Intel 직원이다.

Plank는 "우리 시스템은 다른 AI 모델보다 2~3배 더 경제적이다.”고 말했다.

Plank는 새로운 Loihi 세대가 도입됨에 따라 효율성이 향상되고 에너지 집약적인 칩 간 통신이 향상될 것이라고 믿는다. 측정 결과 칩 사이를 왔다 갔다 해야 하는 필수 활동 전위가 없기 때문에 소비가 1000배 더 효율적임을 보여주었다.

이 그룹은 인간 두뇌의 추정 방법을 재현했다.

볼프강 마스(Wolfgang Maass)는 필립 플랑크(Philipp Plank)의 박사 학위 지도교수이자 이론 컴퓨터 과학 연구소(Institute of Theoretical Computer Science) 명예 교수이다.

"실험 연구에 따르면 인간의 뇌는 뉴런의 활동 없이도 짧은 시간 동안 정보를 저장할 수 있다. 즉, 뉴런의 '내부 변수'이다. "시뮬레이션은 뉴런 하위 집합의 피로 메커니즘이 이 단기 기억에 필수적임을 시사한다."

딥 러닝 네트워크 연결

이를 달성하기 위해 연구원들은 두 가지 유형의 딥 러닝 네트워크를 연결한다. 피드백 신경망은 "단기 기억"을 담당하며 순환 모듈은 입력 신호에서 가능한 관련 정보를 걸러내고 저장한다. 피드포워드 네트워크는 발견된 관계 중 현재 작업을 해결하는 데 중요한 관계를 결정한다. 의미 없는 관계는 걸러내고 관련 정보가 발견된 모듈에서만 뉴런이 작동한다. 이 전체 프로세스가 극적인 에너지 절약으로 이어진다.

Steve Furber는 HBP 뉴로모픽 컴퓨팅 부서의 리더이자 맨체스터 대학교 컴퓨터 공학 교수이다.

“이러한 발전은 뉴로모픽 플랫폼에서 에너지 효율적인 이벤트 기반 AI의 약속을 실현에 한 걸음 더 다가가는 중요한 단계를 가져온다. 새로운 메커니즘은 다중 구획 뉴런 모델을 지원할 수 있는 Intel Loihi 및 SpiNNaker와 같은 뉴로모픽 컴퓨팅 시스템에 매우 적합하다.”라고 Furber가 말했다.