Vi kan dele opp hjernen i tre deler.
Nevrale nettverk - eller kunstige kopier av den menneskelige hjerne - la forskere og ingeniører gjennomføre analyser som ville ta mennesker i aldre. De kan hælde gjennom endeløse datatabeller og peke ut uoverensstemmelser i bilder som ville gå ubemerket av mennesker.
De har imidlertid en ulempe skjønt: De beste neuralnettene i spillet bruker en utrolig mengde energi til å gjøre jobben sin.
"For noen år siden forsøkte IBM å simulere hjernevirksomheten til en katt i en supercomputer, og de endte opp med å forbruke megawatt av makt," forteller Purdue Universitetsforsker Abhronil Sengupta Omvendt. "Den biologiske menneskelige hjernen forbruker ingen steder nær så mye. Dette er ikke en direkte en-til-en-sammenligning til et neuralt nettverk, men det bør gi deg et estimat av hvordan strøm-sultne datasystemer er."
Sengupta og et team av datavitenskapere ved Purdue University og Institute of Electrical and Electronics Engineers (IEEE) kom opp med en måte å få nevrale nettverk til å konsumere mye mindre energi, mens de fortsatt gjør en kick-ass jobb. Et papir de har lagt ut på preprint-siden, forteller arXiv hvordan de tok inspirasjon fra den menneskelige hjernen og implementerte ideen om å la sine neuralnett forbruke omtrent 11 ganger mindre energi enn tradisjonelle systemer ville.
Deres tilnærming gjør bruk av spiking nevrale nettverk, eller SNN. I motsetning til sine kolleger, emulerer disse beregningssystemene biologiske nevroner mye mer nøyaktig.
Standard neuralnett består av tusenvis av noder som brukes til å ta avgjørelser og vurderinger om dataene som blir presentert for dem. Utgangen fra disse er bare avhengig av hva som nå presenteres, mens SNN-produksjonen også avhenger av tidligere stimuli. Noder i en SNN vil bare fungere når et visst nivå av stimulus er nådd. Så i stedet for stadig passerer data til andre noder, sender SNN noder kun informasjon når de må.
Dette kommer vanligvis til en enorm energikostnad fordi de fleste av disse systemene er laget ved hjelp av det som er kjent som komplementær metalloksid-halvlederteknologi, eller CMOS. Denne teknologien utgjør alle sjetongene i den bærbare datamaskinen og har blitt brukt som byggestein for nevrale nettverk. For deres studie dro gruppen av forskere CMOS tech og bygget en SNN laget helt av memristors.
Kort for "minne motstander," memristors 'elektriske motstand avhenger av hvor mye elektrisk ladning strømmet gjennom det i fortiden. Så i motsetning til CMOS tech, er det i stand til å "huske" hva som passerte gjennom det før, noe som akkurat er hvilke noder i SNNs må gjøre.
Resultatene av studien viste at memristors etterligner den biologiske nevronen ganske bra. De kommuniserer med hverandre ved hjelp av pigger eller korte brister av energi, i motsetning til en konstant strøm av strøm. Denne memistor-SNN hadde en liten reduksjon i nøyaktighet når den ble brukt til bildeklassifisering i forhold til CMOS-kolleger, men det tok en brøkdel av strømnettet neuralnett.
Før denne studien var SNNs nærmeste til en kunstig menneskelig hjerne vi hadde, men den enorme mengden makt de tok for å bruke avbrutt noen av fordelene sine. Hvis andre forskere kan replikere disse energisparende nevrale nettverk, kan det tillate dem å gjøre mer med mindre energi og beveger dem nærmere for å forstå hvordan man replikerer den biologiske hjernen.
Forskere har laget myke roboter som etterligner menneskelige muskler, og de hjelper hjerneslag
Forskere ved et sveitsisk universitet har designet små, myke roboter som kan etterligne menneskelige muskler.
Forskere finner den manglende koblingen til å skape datamaskiner som etterligner hjernen
Forskere fra Nasjonalt institutt for standarder og teknologi har bygget den manglende lenken til å skape datamaskiner som etterligner menneskets hjerne.
CERN-teknologi brukes til å lage de første 3D-røntgenbildene av menneskelige organer
New Zealand-forskere brukte teknologi utviklet hos European Organization for Nuclear Research til å lage en medisinsk skanner enn kan skape 3D-bilder av menneskelige innsider. MARS spektral røntgenskanneren gir i detalj detaljkomponenter som fett-, vann-, kalsium- og sykdomsmarkører.