Datorer och artificiell intelligens fortsätter att inleda stora förändringar i hur människor handlar. Det är relativt enkelt att träna en robots hjärna för att skapa en inköpslista, men hur är det att se till att robothandlaren enkelt kan se skillnaden mellan de tusentals produkterna i butiken?

Forskare och experter på hjärninspirerad dator vid Purdue University tror att en del av svaret kan hittas i magneter. Forskarna har utvecklat en process för att använda magnetik med hjärnliknande nätverk för att programmera och lära ut enheter som personliga robotar, självkörande bilar och drönare för att bättre generalisera om olika objekt.

"Våra stokastiska neurala nätverk försöker efterlikna vissa aktiviteter i den mänskliga hjärnan och beräkna genom en koppling av neuroner och synapser, "sa Kaushik Roy, Purdues Edward G. Tiedemann Jr. Framstående professor i el- och datateknik. "Detta gör att datorhjärnan inte bara kan lagra information utan också att generalisera bra om objekt och sedan dra slutsatser om att prestera bättre för att skilja mellan objekt."

Roy presenterade tekniken under den årliga tyska fysikaliska konferensen tidigare denna månad i Tyskland. Arbetet dök också upp i Gränser inom neurovetenskap .

Omkopplingsdynamiken för en nano-magnet liknar neurons elektriska dynamik. Magnetiska tunnelkorsningsanordningar visar kopplingsbeteende, som är stokastisk till sin natur.

Det stokastiska kopplingsbeteendet är representativt för ett sigmoidkopplingsbeteende hos en neuron. Sådana magnetiska tunnelkorsningar kan också användas för att lagra synaptiska vikter.

Purdue -gruppen föreslog en ny stokastisk träningsalgoritm för synapser med spike timing -beroende plasticitet (STDP), kallad Stokastisk-STDP, som har observerats experimentellt i råttans hippocampus. Magnetens inneboende stokastiska beteende användes för att byta magnetiseringstillstånd stokastiskt baserat på den föreslagna algoritmen för att lära sig olika objektrepresentationer.

De tränade synaptiska vikterna, kodad deterministiskt i magnetiseringstillståndet för nanomagneterna, används sedan under inferens. Med fördel, användning av högenergibarriärmagneter (30-40KT där K är Boltzmann-konstanten och T är driftstemperaturen) tillåter inte bara kompakta stokastiska primitiver, men gör det också möjligt att använda samma enhet som ett stabilt minneelement som uppfyller kravet på datalagring. Dock, barriärhöjden på nanomagneterna som används för att utföra sigmoidliknande neuronala beräkningar kan sänkas till 20KT för högre energieffektivitet.

"Den stora fördelen med magnettekniken vi har utvecklat är att den är mycket energieffektiv, "sa Roy, som leder Purdues centrum för hjärninspirerad dator som möjliggör autonom intelligens. "Vi har skapat ett enklare nätverk som representerar neuroner och synapser samtidigt som vi komprimerar mängden minne och energi som behövs för att utföra funktioner som liknar hjärnberäkningar."

Roy sa att de hjärnliknande nätverken också har andra användningsområden för att lösa svåra problem, inklusive kombinatoriska optimeringsproblem såsom resande säljare problem och graffärgning. De föreslagna stokastiska anordningarna kan fungera som "naturlig glödgare", hjälper algoritmerna att flytta från lokala minimor.