Дослідники представили нейроморфний підхід до робототехніки
Вчені використовували нейроморфні обчислення для того, щоб роботи продовжували вивчати нові об’єкти після їхнього розгортання. Для тих, хто не в курсі — нейроморфні обчислення відтворюють нейронну структуру людського мозку для створення алгоритмів, які можуть впоратися з невизначеністю природного світу. Лабораторія Intel розробила одну з найпомітніших архітектур у цій галузі: нейроморфний чип Loihi. Loihi складається приблизно […]
Post Дослідники представили нейроморфний підхід до робототехніки at Root Nation.
Вчені використовували нейроморфні обчислення для того, щоб роботи продовжували вивчати нові об’єкти після їхнього розгортання. Для тих, хто не в курсі — нейроморфні обчислення відтворюють нейронну структуру людського мозку для створення алгоритмів, які можуть впоратися з невизначеністю природного світу. Лабораторія Intel розробила одну з найпомітніших архітектур у цій галузі: нейроморфний чип Loihi.
Loihi складається приблизно зі 130 тис. штучних нейронів, які надсилають інформацію один одному через «спайкову» нейронну мережу (SNN). Чипи вже привели в дію низку систем, від розумної штучної шкіри до електронного «носа», який розпізнає запахи від вибухових речовин.
Лабораторія Intel цього тижня представила ще одну програму. Дослідницький підрозділ об’єднався з Італійським технологічним інститутом та Технічним університетом Мюнхена, щоб впровадити Loihi у новий підхід до безперервного навчання робототехніки. Метод націлений на системи, які взаємодіють із необмеженими середовищами, наприклад, на роботів-помічників майбутнього для охорони здоров’я та виробництва.
Існуючі глибокі нейронні мережі можуть поставати перед труднощами щодо об’єктів у цих сценаріях, оскільки їм потрібні великі добре підготовлені навчальні дані і ретельне перенавчання на нових об’єктах, з якими вони стикаються. Новий нейроморфний підхід спрямовано на подолання цих обмежень.
Дослідники вперше застосували SNN на Loihi. Ця архітектура локалізує навчання в одному шарі пластичних синапсів. Вона також враховує різні види об’єктів, додаючи нові нейрони на вимогу. В результаті процес навчання розгортається автономно при взаємодії з користувачем.
Команда протестувала свій підхід у змодельованому 3D-середовищі. У цьому налаштуванні робот активно відчуває об’єкти, переміщуючи камеру, що виступає як очі. Сенсор камери «бачить» об’єкти у спосіб, натхненний невеликими фіксуючими рухами очей, званими «мікросаккадами». Якщо об’єкт, який він бачить, новий, представлення SNN вивчається чи оновлюється. Якщо об’єкт відомий, мережа розпізнає його та надає користувачеві зворотний зв’язок.
Команда каже, що їхній метод вимагає в 175 разів менше енергії, щоб забезпечити аналогічну або кращу швидкість і точність, ніж звичайні методи, що працюють на ЦП. Тепер їм потрібно перевірити свій алгоритм у реальному світі зі справжніми роботами.
«Наша мета — застосувати аналогічні можливості до майбутніх роботів, які працюватимуть в інтерактивному середовищі, що дозволить їм адаптуватися до непередбачених обставин і природніше працювати разом з людьми», — заявила старша авторка дослідження Юлія Сандамирська.
Ви можете допомогти Україні боротися з російськими окупантами, найкращий спосіб зробити це – пожертвувати кошти Збройним Силам України через Savelife або через офіційну сторінку НБУ.
Також цікаво:
- Роботи Google стають все більш схожими на людей і виконують складні завдання
- Новий матеріал дозволить роботам відчувати дотик
Post Дослідники представили нейроморфний підхід до робототехніки at Root Nation.