Nieuw algoritme versnelt kunstmatige intelligentie kwadratisch

24 juni 2018, 00:00
(Afbeelding: TU Eindhoven)
(Afbeelding: TU Eindhoven)

Een internationaal team van wetenschappers van de TU Eindhoven, de Universiteit van Texas in Austin (VS) en de University of Derby (UK) heeft een revolutionaire methode ontwikkeld die de algoritmen voor kunstmatige intelligentie (AI) kwadratisch versnelt. Hierdoor wordt AI beschikbaar op goedkope computers, en kunnen supercomputers binnen één tot twee jaar kunstmatige neurale netwerken benutten die de mogelijkheden van de huidige kunstmatige neurale netwerken kwadratisch overstijgen. De wetenschappers hebben hun methode in het tijdschrift Nature Communications gepubliceerd.

Kikkerbrein

Kunstmatige neurale netwerken (Artificial Neural Networks) vormen de kern van de AI-revolutie die op dit moment elk aspect van de samenleving en technologie vormgeeft. Maar de kunstmatige neurale netwerken die momenteel bestaan, zijn nog ver verwijderd van het oplossen van zeer ingewikkelde problemen. De allernieuwste supercomputers worstelen met een netwerk van 16 miljoen neuronen (ongeveer zo groot als een kikkerbrein), terwijl het bijna twee weken duurt voordat een krachtige desktopcomputer een netwerk van 100.000 neuronen heeft getraind.

Biologische netwerken

De voorgestelde methode, Sparse Evolutionary Training, haalt inspiratie uit biologische netwerken en in het bijzonder neurale netwerken die hun efficiëntie danken aan drie eenvoudige functies: netwerken hebben relatief weinig verbindingen, slechts enkele hubs en maken gebruik van korte paden. Het in Nature Communications gepubliceerde werk laat de voordelen zien van het loslaten van de huidige volledig verbonden kunstmatige neurale netwerken, door de introductie van een nieuwe trainingsprocedure die begint met een willekeurig netwerk met weinig verbindingen en iteratief evolueert naar een schaalvrij systeem. Bij elke stap worden de zwakkere verbindingen geëlimineerd en worden nieuwe verbindingen willekeurig toegevoegd, vergelijkbaar met een biologisch proces dat bekend staat als synaptische plasticiteit.

Snelheidswinst

De opvallende winst in snelheid van deze methode is van grote betekenis, omdat het de toepassing van AI op problemen mogelijk maakt die vanwege het enorme aantal parameters met de huidige methoden niet op te lossen zijn. Voorbeelden hiervan zijn betaalbare gepersonaliseerde geneeskunde en complexe systemen.

Laptop

In concreto kan iedereen met SET op zijn eigen laptop een kunstmatig neuraal netwerk van maximaal 1 miljoen neuronen bouwen, terwijl dit met de bestaande methoden was voorbehouden aan dure computing clouds. Dit betekent echter niet dat deze clouds niet meer bruikbaar zijn. Momenteel hebben de grootste kunstmatige neurale netwerken, gebouwd op supercomputers, de grootte van een kikkerbrein (ongeveer 16 miljoen neuronen). Na het overbruggen van enkele technische uitdagingen is het met SET over een paar jaar mogelijk om op dezelfde supercomputers kunstmatige neurale netwerken te bouwen die de capaciteit van het menselijk brein benaderen (ongeveer 80 miljard neuronen).

Bron: TU Eindhoven
Reacties worden ingeladen...
gerelateerde items