Ricercatori sviluppano piattaforma che accelera apprendimento dei sistemi di IA

Ricercatori Technion intelligenza artificiale siliconwadi

I ricercatori del Technion di Haifa hanno sviluppato una piattaforma in grado di accelerare il processo di apprendimento dei sistemi di intelligenza artificiale di 1000 volte.

Negli ultimi anni, ci sono stati grandi progressi nel mondo dell’intelligenza artificiale, soprattutto grazie a modelli di reti neurali profonde (DNNs), un insieme di algoritmi che si ispirano al cervello umano e progettati per riconoscere i modelli.

Ispirandosi ai metodi di apprendimento umano, queste reti neurali hanno avuto un successo senza precedenti nell’affrontare compiti complessi come la guida autonoma, l’elaborazione del linguaggio naturale, il riconoscimento delle immagini e lo sviluppo di trattamenti medici innovativi che vengono raggiunti attraverso l’autoapprendimento della macchina da un vasto bacino di esempi spesso rappresentati dalle immagini.

Questa tecnologia si sta rapidamente sviluppando in gruppi di ricerca accademici e aziende leader come Facebook e Google che utilizzano l’intelligenza artificiale per le loro esigenze specifiche.

L’apprendimento tramite l’esempio richiede potenza di calcolo su larga scala e viene pertanto eseguito su computer che dispongono di unità di elaborazione grafica (GPU) adatte per l’attività.

Tuttavia, queste unità consumano notevoli quantità di energia e la loro velocità è più lenta del tasso di apprendimento richiesto delle reti neurali, ostacolando in tal modo il processo di apprendimento.

Il prof. Shahar Kvatinsky e il suo gruppo di ricerca hanno sviluppato un sistema hardware specificamente progettato per funzionare con le reti neurali profonde, consentendo alla rete neurale di eseguire la fase di apprendimento con maggiore velocità e minor consumo di energia.

Il prof. Shahar Kvatinsky, come si legge in un comunicato del Technion, afferma:

“Abbiamo a che fare con hardware originariamente concepiti per scopi principalmente grafici e non riescono a tenere il passo con l’attività frenetica delle reti neurali. Per risolvere questo problema, dobbiamo progettare hardware compatibili con reti neurali profonde. Rispetto alle unità di elaborazione grafica, la velocità di calcolo del nuovo hardware è 1.000 volte più veloce e riduce il consumo energetico dell’80%”.

Questo nuovo hardware rappresenta un cambiamento concettuale, invece di concentrarsi sul miglioramento dei processori esistenti, Kvatinsky e il suo team hanno deciso di sviluppare la struttura di una macchina di calcolo tridimensionale che integri la memoria.

Il prof. Kvatinsky spiega così la nuova tecnologia:

“Piuttosto che dividere tra le unità che eseguono i calcoli e la memoria responsabile della memorizzazione delle informazioni, conduciamo entrambe le attività all’interno del memristore, una componente di memoria con capacità di calcolo avanzate assegnate a lavorare con reti neurali profonde”.

Sebbene lo studio dei ricercatori israeliani sia ancora nella sua fase teorica, hanno già dimostrato l’implementazione tramite simulazione.

Su questo argomento il prof. Kvatinsky, evidenzia:

“Attualmente, la tecnologia che abbiamo sviluppato è destinata a funzionare con gli algoritmi di apprendimento del momento, ma la nostra intenzione è continuare a sviluppare l’hardware in modo che sia compatibile anche con altri algoritmi di apprendimento. Potremmo essere in grado di sviluppare un hardware dinamico e multiuso che sarà in grado di adattarsi a vari algoritmi, invece di avere un numero di componenti hardware diversi”.

Il prof. Shahar Kvatinsky e la studentessa di dottorato Tzofnat Greenberg-Toledo, insieme agli studenti Roee Mazor e Ameer Haj-Ali della facoltà di Ingegneria elettronica Andrew and Erna Viterbi del Technion hanno recentemente pubblicato la loro ricerca nella rivista IEEE Transactions on Circuits and Systems, stampata dall’Institute of Electrical and Electronics Engineers (IEEE).

Questa ricerca è sostenuta dall’European Research Council nell’ambito del programma di ricerca e innovazione Horizon 2020.

RetweeTech