ENGINEERINGNET.BE - Neuromorfisch rekenen biedt de mogelijkheid om berekeningen uit te voeren op een aanzienlijk snellere en energie-zuinigere manier dan met conventionele digitale methoden.
Een belangrijke uitdaging is echter hoe neuromorfische circuits efficiënt kunnen worden getraind. Bestaande methoden voor machine learning, zoals backpropagation, zijn minder geschikt voor analoge circuits, omdat ze afzonderlijke circuits vereisen voor training en inferentie, waardoor energie-intensieve gegevensoverdracht nodig is.
Onderzoeker Henk van Waarde van de Rijksuniversiteit Groningen pakt dit probleem aan door een nieuwe systeemtheorie te ontwikkelen waarin leren wordt beschouwd als de terugkoppeling tussen continue-tijd circuitdynamica en optimalisatie-algoritmes.
Deze systeemtheoretische benadering kan leiden tot nieuwe, op energiefuncties gebaseerde leeralgoritmen, die volledig gedecentraliseerd en schaalbaar zijn, en robuust zijn tegen variaties in circuitcomponenten.
Uiteindelijk beoogt het project bij te dragen aan de wiskundige fundamenten van fysica-gebaseerd leren, om zo de weg vrij te maken voor energie-efficiëntere computertechnologieën.
Van Waarde heeft een ERC Starting Grant ontvangen voor dit project. Deze beurzen van de Europese Onderzoeksraad bedragen elk 1,5 miljoen euro en gelden voor een periode van vijf jaar.
De subsidies zijn bedoeld voor excellente onderzoekers en hebben als doel om baanbrekend onderzoek in Europa te stimuleren.
