Nieuwe manier om AI-hardware te optimaliseren

Een onderzoeksteam onder leiding van het BRAINS Center for Brain-Inspired Computing aan de Universiteit Twente heeft een nieuwe methode ontwikkeld om elektronische materialen zich te laten aanpassen op een manier die vergelijkbaar is met machine learning. Hun studie, gepubliceerd in Nature Communications, introduceert een methode voor fysiek leren die geen software-algoritmes zoals backpropagation vereist. Backpropagation, de optimalisatiemethode die in de jaren tachtig mede werd ontwikkeld door Nobelprijswinnaar Geoffrey Hinton en collega’s, vormt de kern van de huidige AI-revolutie.

Menselijk brein: energieverbruik van gloeilamp

Moderne AI maakt gebruik van backpropagation op krachtige computers. Hoewel deze aanpak indrukwekkende resultaten oplevert, verbruikt het ook enorm veel energie. Het menselijk brein daarentegen voert vergelijkbare taken uit met slechts de energie van een gloeilamp. “Neuromorfe” (op het brein gelijkende) hardware biedt een veel efficiëntere route, maar laat zich niet eenvoudig trainen met backpropagation.

Optimalisatie in apparaat zelf

De Twentse onderzoekers ontwikkelden een nieuwe aanpak, homodyne gradient extraction (HGE), waarmee het mogelijk is om het optimale werkpunt van fysieke neurale netwerken rechtstreeks in de hardware te vinden, zonder softwarematige optimalisatie (zie video hierboven). Hoewel externe prikkels nog steeds worden toegepast, vindt de optimalisatie zelf plaats in het apparaat. Daarmee vervalt de noodzaak van digitale computers en backpropagation-algoritmes.

“Dit opent de deur naar zelfstandige optimalisatie van fysieke neurale netwerken en vormt een stap richting energiezuinige, adaptieve hardware,” zegt prof. Wilfred van der Wiel, mededirecteur van BRAINS. Mogelijke toepassingen zijn onder meer slimme sensoren die zich ter plekke kunnen aanpassen en op het brein geïnspireerde computers die ontworpen zijn voor duurzame, energiezuinige informatieverwerking.

Het artikel, getiteld 'Gradient descent in materia through homodyne gradient extraction', is open access gepubliceerd in het wetenschappelijke tijdschrift Nature Communications en kan je online lezen.