برگزیده های پرشین تولز

اینتل با تراشه Loihi یادگیری ماشین را وارد مرحله جدیدی می‌کند

Mohganji

کاربر تازه وارد
تاریخ عضویت
23 سپتامبر 2017
نوشته‌ها
37
لایک‌ها
0
سن
46
در عرصه ی جدید تکنولوژی، با پیشرفت های چشمگیری از جمله فناوری به روز گوشی های هوشمند و ماشین های هوشمند و هزاران هزار وسیله ایی که ما انسانها برای ساده تر شدن هرچه بیشتر فعالیت های کاری و رومزه خویش آنها را ابداع نمودیم روبه رو هستیم.جدیدترین پیشرفت در عرصه تکنولوژی در چند دهه اخیر رشد چشمگیر در زمینه هوش مصنوعی میباشد که تمامی آن الهام گرفته از ساز و کار مغز انسانها میباشد.



در این مطلب یکی از جدیدترین تراشه های اینتل که با اتصال بین نورون های سیلیکونی، یادگیری ماشینی را با استفاده از داده های جدید ممکن می کند در خدمت شما دوستان هستیم.

e18c2759-334d-4ebf-9246-41c7d5a872f0.jpg


چنانچه از شما درخواست شود که حس فردی را در داخل یک ویدیو حدس بزنید، نورون‌های مغزتان، اطلاعات را در قالب نوسانات شدید الکترونیکی مبادله خواهند کرد. هنگامی که پژوهشگران اینتل چالش مشابهی روی نمونه‌ی اولیه‌ی Loihi، تراشه‌ی جدید سانتا کلارانشین‌ها پیاده کردند، این تراشه سعی در حل مسئله با هزاران نوسان «نورون‌های» سیلیکونی خود داشت. درست مانند نورون‌های بدن انسان، نورون‌های سیلیکونی تراشه‌ها نیز می‌توانند با تنظیم‌ کردن اتصال بینشان، خود را برای انجام تسک‌های جدید آماده کنند.

Loihi؛ نخستین تراشه نورومورفیک اینتل

طرح جدید اینتل که نام آن از یک آتشفشان زیردریایی در هاوایی گرفته‌شده است، هنوز هم عملکردی مشابه مغز واقعی ندارد؛ اما از تراشه‌های عادی بسیار متفاوت است. سران اینتل معتقدند که به‌ لطف این راهکار جدید، روزی خودروها، دوربین‌ها و ربات‌هایی ساخته خواهد شد که بدون نیاز به اتصال به فضای ابری از طریق اینترنت، هوشمندتر از گذشته خواهند بود. قطع چنین ارتباطی نه‌تنها در نهایت نیاز به انتقال داده از طریق اینترنت را مرتفع خواهد کرد؛ بلکه در حفظ حریم خصوصی کاربران نیز سودمند خواهد بود.

طبق ادعای اینتل، آزمایش‌ها نشان می‌دهند که طرح الهام گرفته‌شده از مغز یا نورومورفیک این شرکت می‌تواند تسک‌هایی مانند تفسیر یک ویدیو را با استفاده از یک‌هزارم انرژی مورد نیاز تراشه‌‌های عادی انجام دهد. به‌ نظر می‌رسد مصرف انرژی پایین و قابلیت یادگیری Loihi در مواجهه با داده‌های جدید، نشان از آینده‌ای داشته باشد که در آن، ماشین‌ها بهتر از گذشته می‌توانند خود را با دنیایی وفق دهند که به‌طور مداوم در حال تغییر است. مایکل می‌بری، مدیر اجرایی واحد تحقیقات اینتل، در این رابطه می‌گوید:ما در تلاش برای بهتر شدن در درک پدیده‌هایی هستیم که در محیط طبیعی رخ می‌دهند.

Loihi جدیدترین تلاش اینتل برای بهره‌ گرفتن از محبوبیت کنونی هوش مصنوعی به‌عنوان موتور رشد جدید خود محسوب می‌شود. سال گذشته اینتل دو استارتاپ نروانا و مویدیوس را تصاحب کرد که در حال کار روی تراشه‌هایی برای قدرت‌ بخشیدن به یادگیری ماشین در فضای ابری و بینایی رایانه‌ای بودند. ماه مارس گذشته نیز اینتل شرکت موبایل‌آی را تصاحب کرد که در زمینه‌ی توسعه‌ی دوربین‌ها و تراشه‌های مورد نیاز در سیستم‌های رانندگی خودکار فعالیت داشت. اینتل برای رشد به کسب‌وکارهای جدیدی نیاز دارد. بازار کامپیوترهای شخصی که برای مدت مدیدی خود را تحت سلطه‌ی غول تراشه‌ساز سانتا کلارا می‌بیند، رو به زوال دارد و این شرکت مدتی می‌شود که سودای ورود به بازار سودده تراشه‌های موبایل را کنار گذاشته است.

فناوری‌های نوین؛ کلید رونق‌ گرفتن کسب‌وکار اینتل

استارتاپ‌‌هایی که اخیرا به تصاحب اینتل در‌آمده‌اند، تراشه‌هایی توسعه‌ داده‌اند که می‌توانند به شبکه‌‌های عصبی مصنوعی شتاب دهند. این تکنیک شالوده‌ی پیشرفت‌هایی نظیر آلفا‌گو (ربات قهرمان رقابت‌های Go‌ گوگل) محسوب می‌شود و شامل شبیه‌سازی آزادانه‌ی نورون‌هایی است که در کنار هم، برای فیلتر‌ کردن داده‌ها به‌کار می‌روند؛ اما فناوری کنونی اینتل و فناوری‌های مشابه دیگری که در تراشه‌های مبتنی بر هوش مصنوعی گوگل، مایکروسافت و اپل به‌ کار رفته‌اند، از طریق طرح تراشه‌های مرسوم به شبکه‌های عصبی قدرت می‌بخشند.

تراشه‌ی Loihi‌ اینتل متفاوت است؛ چرا که نورون‌های آنالوگ آن با سخت‌افزار یکپارچه شده‌اند و طراحی آن تفاوت‌های بنیادینی با تراشه‌هایی دارد که اکنون در دنیا به‌ کار می‌روند. در تراشه‌های مرسوم، داده‌ها به‌صورت مداوم بین پردازنده و حافظه‌ی مجزا جابه‌جا می‌شوند؛ اما «نورون‌های» تراشه‌ی Loihi و اتصال بین آن‌ها می‌توانند به‌صورت پردازنده و حافظه عمل کنند، بدین ترتیب در زمان و انرژی مورد نیاز برای جابه‌جایی داده‌ها صرفه‌جویی می‌شود. اتصال بین نورون‌ها، مانند سیناپس‌ها، در طول زمان می‌توانند با تقلید از مکانیزم یادگیری در مغز واقعی، مطابق با الگوی فعالیت خود تنظیم شوند. آزمایش‌های انجام‌شده برای بررسی این قابلیت، شامل نمایش ویدیو‌هایی از انجام حرکت‌های تمرینی مختلف مانند جلو‌بازو به تراشه و سپس به چالش کشیدن آن جهت شناسایی این حرکات تمرینی در ویدیوهای جدید است.
 
بالا