מחקר חדש חושף את הפוטנציאל של רשתות עצביות דוקרניות עבור צריכת חשמל נמוכה

This post is also available in: English (אנגלית)

מערכות בינה מלאכותית מסורתיות בנויות על רשתות עצביות מלאכותיות המחקות את הנוירונים של המוח האנושי. עם זאת, רשתות אלה דורשות כמויות עצומות של כוח חישובי ואנרגיה כדי לעבד נתונים, מה שהופך אותן לבלתי ברות-קיימא עבור שימוש נרחב. אחד הפתרונות המבטיחים לבעיה זו מגיע רשתות עצביות דוקרניות, סוג של רשת עצבית המחקה את האופן שבו נוירונים ביולוגיים פועלים על ידי תקשורת באמצעות פולסים קצרים המכונים "קוצים". רשתות אלה הן הרבה יותר חסכוניות באנרגיה, אך מבחינה היסטורית קשות יותר לאימון יעיל.

מחקר שנערך לאחרונה על ידי אוניברסיטת בון ומפורט ב-TechXplore, מציע תקווה חדשה בהתגברות על אתגרי הכשרה אלה. במחקר שלהם, שפורסם בכתב העת Physical Review Letters, הצוות הדגים גישה חדשנית להכשרת רשתות עצביות דוקרניות, ופתח את הדלת למערכות בינה מלאכותית יעילות יותר. שלא כמו נוירונים מלאכותיים קונבנציונליים, אשר מחליפים מידע באופן רציף, נוירונים שמתקשרים באמצעות קוצים מתקשרים לסירוגין, ויורים רק בעת הצורך. גישה זו מאפשרת לרשתות דוקרניות להשתמש בפחות אנרגיה באופן משמעותי, בדומה לאופן שבו המוח שלנו פועל.

אימון רשת עצבית כרוך בהתאמת הקשרים בין הנוירונים כך שהמערכת תוכל ללמוד לבצע משימות, כגון הבחנה בין אובייקטים. ברשתות מסורתיות, שינויים אלה מתרחשים בהדרגה, אך ברשתות עצביות דוקרניות, הקוצים אינם מאפשרים כוונון עדין כיוון שהקשר רק יכול להיות קיים או לא קיים, ללא ערכי ביניים. זה הפך את יישום שיטות אימון קונבנציונליות, כמו gradient descent learning, לקשה ברשתות דוקרניות.

פריצת הדרך מאוניברסיטת בון טמונה בהבנה כי בעוד שלא ניתן לשנות ישירות קוצים, ניתן לשנות את התזמון שלהם. על ידי התאמה של מתי הקוץ יתרחש ולא את של העוצמה שלו, החוקרים מצאו כי העיתוי של קוצים יכול להיות מכוונן כדי לשפר את ביצועי הרשת. פריצת דרך זו מאפשרת שימוש בשיטות הכשרה מסורתיות ברשתות קוצים.

החוקרים אימנו בהצלחה רשת עצבית דוקרנית כדי להבחין במדויק בין מספרים בכתב יד, מה שמוכיח את הפוטנציאל של השיטה. לאחר מכן, הם שואפים ליישם את הטכניקה למשימות מורכבות יותר, כגון זיהוי דיבור. גישה זו יכולה לסלול את הדרך ליישומי AI חסכוניים יותר באנרגיה ומדרגיים יותר בעתיד.