AI laat ’brein geïnspireerd’ netwerk snel bijleren

Onderzoekers van de Nederlandse Universiteit Twente laten een ongeordend netwerk patronen, zoals handschriften, herkennen door het aan te sluiten op een diep-lerend neuraal netwerk.

Trefwoorden: #booratoom, #brein, #chip, #controle-elektrodes, #diep-lerend, #elektron, #hardware, #kunstmatige intelligentie, #neuraal netwerk, #neuronen, #schakeling, #signaal, #silicium, #software, #UTwente

Lees verder

research

( Foto: UTwente )

ENGINEERINGNET.BE - Het ‘ongeordende netwerk’ dat UT-onderzoekers eerder presenteerden, lijkt niet op de klassieke opbouw van elektronische schakelingen.

Het heeft geen onderdelen met een duidelijke functie, maar slechts een aantal ingangen en uitgangen. Wat daar tussen gebeurt, is niet te voorspellen.

Naar nu blijkt, is het in het gareel te krijgen door er een bestaande vorm van kunstmatige intelligentie op los te laten: een diep-lerend neuraal netwerk.

Het ongeordende netwerk kan zo patronen herkennen, zoals handschriften. Het gebruikt daarvoor de materiaaleigenschappen: in het netwerkje ‘hoppen’ elektronen van booratoom naar booratoom op een silicium chip. Een beetje zoals verschillende neuronen in het brein beginnen te vuren bij het uitvoeren van een taak.

Ondanks het ongeordende karakter, geeft het netwerkje wel degelijk een uitgangssignaal. Het is mogelijk om dit uitgangssignaal bij te sturen in de gewenste richting door de spanning op controle-elektrodes te wijzigen.

"Deze werkwijze heet ook wel ‘kunstmatige evolutie’. Dat heeft overeenkomsten met de natuurlijke evolutie die we kennen van Darwin en neemt vrij veel tijd in beslag", aldus onderzoeksleider prof. Wilfred van der Wiel.

Een ‘deep-learning’ neuraal netwerk is nu juist erg goed in het aanleren van patronen: waarom, zo dachten de onderzoekers, gebruiken we die kracht niet om onze chip te trainen?

Zo helpen twee soorten kunstmatige intelligentie elkaar. Eenmaal uitgeleerd, kan het netwerkje zelfstandig verder. Met als een van de grote voordelen dat het een minimum aan energie verbruikt.

Neurale netwerken worden al langer toegepast, het zijn complexe wiskundige modellen met meerdere lagen die, als ze een aantal voorbeelden hebben geleerd, in staat zijn patronen te herkennen die overeenkomsten hebben met die voorbeelden.

Ze zijn er in hardware en in software, en ze worden al door andere UT-onderzoekers toegepast om bijvoorbeeld signalen in het brein (ECG) te classificeren, of om circulerende tumorcellen te herkennen.

Dankzij de samenwerking tussen beide typen netwerken, is de basis gelegd voor hardware die heel anders functioneert dan de gebruikelijke schakelingen. Vervolgonderzoek moet uitwijzen of de werking van het brein nog dichter is te benaderen.

In een klassieke computer beweegt de data voortdurend van geheugen naar processor, in het brein zijn dit geen gescheiden processen.


Video: