尖峰工具改进了人工智能设备

研究开发它的桑迪亚国家实验室研究人员表示，Whetstone是一种能够提高人工神经元输出能力的软件工具，它使神经计算机网络能够比当前的行业标准更有效地处理信息。

适当命名的软件大大减少了执行自主任务所需的电路数量，预计将增加人工智能在手机市场，自动驾驶汽车和图像自动解释方面的渗透率。

桑迪亚神经科学家布拉德艾蒙说：“不是发出无穷无尽的能量信息，而是由Whetstone训练的人工神经元在尖峰中释放能量，就像人类神经元一样。”

Sandia数学家William Severa表示，最大的人工智能公司已经为自己的产品生产了尖峰工具，但没有一种像Whetstone那样快速或高效。“大型公司已经意识到这个过程，并建立了类似的系统，但他们的设计往往只适用于他们自己的设计.Tottstone将在许多神经平台上工作。”

开源代码最近出现在Nature Machine Intelligence的一篇技术文章中，并由Sandia提出专利。

如何锐化神经元

人工神经元基本上是电容器，它吸收并加总电荷，然后以微小的电流释放。被称为“神经形态系统”的计算机芯片将神经网络组装成大型分组，通过向神经元发送电刺激以无法预测的顺序模仿人类大脑。这与台式计算机使用预设电子过程的更多锁定步骤形成对比。

由于它们偶然发射，神经形态系统通常比传统计算机慢，但也需要更少的能量来操作。他们还需要一种不同的编程方法，因为否则他们的人工神经元会经常发生或不经常发射，这在将它们带到商业网上是一个问题。

Whetstone作为补充计算机代码，用于更传统的软件培训程序，通过利用那些仅在收集到足够的能量 - 读取，信息时才能达到峰值的人工神经元来训练和锐化。事实证明，该训练在改进标准神经网络方面是有效的，并且正在为神经形态系统的新兴技术进行评估。

橡树岭国家实验室的神经网络研究员凯瑟琳舒曼说：“油石是神经形态界的一个重要工具。它提供了一种标准化的方法来训练传统的神经网络，这些神经网络可以在神经形态系统上进行部署，这在以前就已经完成了以特别的方式。“

严谨的老师

Aimone说，Whetstone流程可视化为控制一类健谈的小学生，他们的任务是在老师的桌面上识别一个物体。在Whetstone之前，学生们向他们以前不堪重负的老师发送了连续不断的传感器输入，他们不得不倾听所有这些 - 在将决定传递到神经系统之前，可以说是非常磕磕碰碰。这些大量信息通常需要基于云的计算来处理，或者增加更多的本地计算设备以及电力的急剧增加。这两种选择都增加了商业人工智能产品的时间和成本，降低了他们的安全性和隐私性，并使他们的接受度降低。

在Whetstone之下，他们新近严格的老师只关注每个学生的简单“是”或“否”测量 - 当他们用解决方案举手时，而不是他们所说的一切。例如，假设目的是确定教师桌上的一块绿色水果是否是苹果。每个学生都是一个传感器，可以响应不同质量的苹果：它是否具有正确的气味，味道，质地等品质?虽然寻找红色的学生可能会投“不”，但寻找绿色的其他学生会投“赞成”。当答案的数量，无论是yay还是nay，都足够高以触发神经元的发射能力，这个简单的结果，而不是无尽的胡扯，进入整个神经系统。

虽然Whetstone简化可能会增加错误，但绝大多数参与的神经元 - 通常超过一百万 - 提供的信息在统计上弥补了数据简化引入的不准确性，Severa说，负责该程序的数学。

“将过于详细的内部信息与大量神经元报告相结合是一种双重预订，”他说。“这是不必要的。我们的结果告诉我们，经典的方式 - 计算所有东西而不简化 - 是浪费。这就是为什么我们可以节约能源并做好。”

补丁程序效果最好

当修补程序用于训练新的人工智能设备时，该软件程序效果最佳，因此Whetstone不必克服已经建立的能量最小值的学习模式。

这项工作是桑迪亚项目的延续，称为自适应神经算法的硬件加速，该项目探索了桑迪亚实验室指导研究和开发办公室支持的神经平台。目前的工作得到了能源部高级模拟和计算程序的支持。

标签： 人工智能设备