Lebenslanges Lernen wird die nächste Generation autonomer Geräte vorantreiben

Melden Sie sich an für Tägliche Nachrichten-Updates von CleanTechnica per E-Mail. Oder Folgen Sie uns auf Google News!

---

So unterschiedliche Anwendungen wie Lieferdrohnen, selbstfahrende Autos, Industrieroboter und extraplanetare Rover werden von diesem aufstrebenden Bereich abhängen

Entwickler müssen strenge Grenzen hinsichtlich Größe, Leistung und Modellflexibilität überwinden, um Lernen auf dem Gerät in Echtzeit zu ermöglichen. Neue Forschungsergebnisse und neue Designrichtlinien können jedoch hilfreich sein.

Schauen Sie nach„„Lebenslanges Lernen“ online, und Sie finden eine lange Liste mit Apps, mit denen Sie lernen, wie man Quiltt, Schach spielt oder sogar eine neue Sprache spricht.

Innerhalb der aufstrebenden Bereiche von künstliche Intelligenz (KI) und autonome Geräte jedoch ​„„Lebenslanges Lernen“ bedeutet etwas anderes – und ist etwas komplexer. Es bezieht sich auf die Fähigkeit eines Geräts, kontinuierlich zu arbeiten, mit seiner Umgebung zu interagieren und daraus zu lernen – selbstständig und in Echtzeit.

Diese Fähigkeit ist entscheidend für die Entwicklung einiger unserer vielversprechendsten Technologien – von automatisierten Lieferdrohnen und selbstfahrenden Autos bis hin zu extraplanetaren Rovern und Robotern, die Arbeiten verrichten können, die für Menschen zu gefährlich sind.

„Um Geräte zu schaffen, die wirklich in Echtzeit lernen können, brauchen wir Durchbrüche in den Bereichen Algorithmendesign, Chipdesign und neuartige Materialien und Geräte. Es ist eine äußerst aufregende Zeit für das gesamte Ökosystem des lebenslangen Lernens.“ —Angel Yanguas-Gil, leitender Materialwissenschaftler bei Argonne

In all diesen Fällen entwickeln Wissenschaftler in rasender Geschwindigkeit Algorithmen, um ein solches Lernen zu ermöglichen. Aber die spezielle Hardware KI Beschleuniger oder Chips, die Geräte zum Ausführen dieser neuen Algorithmen benötigen, müssen mithalten.

Das ist die Herausforderung, die Angel Yanguas-Gil, ein Forscher am US-Energieministerium (DAMHIRSCHKUH) Argonne National Laboratory, hat aufgenommen. Seine Arbeit ist Teil der von Argonne Mikroelektronik-Initiative und wird durch das Laboratory Directed Research and Development-Programm von Argonne finanziert. Yanguas-Gil und ein multidisziplinäres Team von Kollegen haben kürzlich einen Artikel in veröffentlicht Naturelektronik Darin werden die Programmier- und Hardwareherausforderungen untersucht, mit denen KI-gesteuerte Geräte konfrontiert sind. Und wie wir sie durch Design überwinden können.

Lernen in Echtzeit

Aktuelle Ansätze zu KI basieren auf einem Trainings- und Inferenzmodell. Der Entwickler„Züge“ die KI Offline-Fähigkeit, nur bestimmte Arten von Informationen zur Ausführung einer definierten Reihe von Aufgaben zu verwenden, testet seine Leistung und installiert es dann auf dem Zielgerät.

„Ab diesem Zeitpunkt kann das Gerät nicht mehr aus neuen Daten oder Erfahrungen lernen“, erklärt Yanguas-Gil.​„Wenn der Entwickler dem Gerät Funktionen hinzufügen oder seine Leistung verbessern möchte, muss er oder sie das Gerät außer Betrieb nehmen und das System von Grund auf trainieren.“

Für komplexe Anwendungen ist dieses Modell einfach nicht realisierbar.

„Stellen Sie sich einen Planetenrover vor, der auf ein Objekt trifft, für dessen Erkennung er nicht trainiert wurde. Oder es betritt Gelände, für dessen Navigation es nicht ausgebildet war“, fährt Yanguas-Gil fort.​„Angesichts der Zeitverzögerung zwischen dem Rover und seinen Bedienern wird es nicht funktionieren, ihn abzuschalten und zu versuchen, ihn neu zu trainieren, damit er in dieser Situation funktioniert. Stattdessen muss der Rover in der Lage sein, die neuen Datentypen zu sammeln. Es muss diese neuen Informationen mit den bereits vorhandenen Informationen und den damit verbundenen Aufgaben in Beziehung setzen. Und dann in Echtzeit Entscheidungen darüber treffen, was als nächstes zu tun ist.“

Die Herausforderung besteht darin, dass Echtzeitlernen deutlich komplexere Algorithmen erfordert. Um diese Algorithmen auszuführen, benötigen sie wiederum mehr Energie, mehr Speicher und mehr Flexibilität von ihren Hardwarebeschleunigern. Und diese Chips sind in Größe, Gewicht und Leistung fast immer streng begrenzt – je nach Gerät.

Schlüssel für Beschleuniger des lebenslangen Lernens

Dem Papier zufolge KI Beschleuniger benötigen eine Reihe von Funktionen, damit ihre Hostgeräte kontinuierlich lernen können.

Die Lernfähigkeit muss auf dem Gerät vorhanden sein. In den meisten vorgesehenen Anwendungen bleibt dem Gerät keine Zeit, Informationen von einer entfernten Quelle wie der Cloud abzurufen oder eine Übertragung von Anweisungen durch den Bediener zu veranlassen, bevor es eine Aufgabe ausführen muss.

Der Beschleuniger muss auch in der Lage sein, die Art und Weise, wie er seine Ressourcen im Laufe der Zeit nutzt, zu ändern, um die Energie- und Raumnutzung zu maximieren. Dies könnte bedeuten, dass Sie entscheiden müssen, wo bestimmte Datentypen gespeichert werden oder wie viel Energie für die Ausführung bestimmter Aufgaben verwendet wird.

Eine weitere Notwendigkeit nennen Forscher ​„Modellwiederherstellbarkeit.“ Dies bedeutet, dass das System genügend seiner ursprünglichen Struktur beibehalten kann, um seine beabsichtigten Aufgaben weiterhin auf einem hohen Niveau zu erfüllen, auch wenn es sich aufgrund seines Lernens ständig verändert und weiterentwickelt. Das System soll auch das verhindern, was Experten als ​ bezeichnen„„katastrophales Vergessen“, bei dem das Erlernen neuer Aufgaben dazu führt, dass das System ältere vergisst. Dies kommt in der heutigen Zeit häufig vor maschinelles Lernen Ansätze. Bei Bedarf sollten Systeme in der Lage sein, auf erfolgreichere Praktiken zurückzugreifen, wenn die Leistung nachlässt.

Schließlich muss der Beschleuniger möglicherweise das aus früheren Aufgaben gewonnene Wissen konsolidieren (unter Verwendung von Daten aus früheren Erfahrungen durch einen als Wiederholung bezeichneten Prozess), während er aktiv neue Aufgaben abschließt.

All diese Fähigkeiten stellen Herausforderungen dar KI Beschleuniger, die von Forschern gerade erst in Angriff genommen werden.

Woher wissen wir, dass es funktioniert?

Der Prozess zur Messung der Wirksamkeit von KI Beschleuniger ist ebenfalls in Arbeit. In der Vergangenheit konzentrierten sich Beurteilungen auf die Aufgabengenauigkeit, um die Menge an Aufgaben zu messen„„Vergessen“, das im System auftritt, wenn es eine Reihe von Aufgaben lernt.

Diese Maßnahmen sind jedoch nicht differenziert genug, um die Informationen zu erfassen, die Entwickler für die Entwicklung benötigen KI Chips, die alle Herausforderungen für lebenslanges Lernen meistern können. Dem Papier zufolge sind Entwickler jetzt mehr daran interessiert, zu beurteilen, wie gut ein Gerät das Gelernte nutzen kann, um seine Leistung bei früheren Aufgaben zu verbessern Und nach dem Punkt in einer Sequenz, an dem es neue Informationen lernt. Andere neue Kennzahlen zielen darauf ab, zu messen, wie schnell das Modell lernen kann und wie gut es sein eigenes Wachstum verwaltet.

Fortschritt angesichts der Komplexität

Wenn das alles außergewöhnlich komplex klingt, dann ist es das auch.

„Es stellt sich heraus, dass wir Durchbrüche und Strategien benötigen, die vom Algorithmus-Design über das Chip-Design bis hin zu neuartigen Materialien und Geräten reichen, um Geräte zu entwickeln, die wirklich in Echtzeit lernen können“, sagt Yanguas-Gil.

Glücklicherweise könnten Forscher möglicherweise auf vorhandene Technologien zurückgreifen oder diese anpassen, die ursprünglich für andere Anwendungen, beispielsweise Speichergeräte, konzipiert wurden. Dies könnte dazu beitragen, Fähigkeiten zum lebenslangen Lernen auf eine Weise zu verwirklichen, die mit aktuellen Halbleiterverarbeitungstechnologien kompatibel ist.

Ebenso neuartige Co-Design-Ansätze, die im Rahmen des Forschungsportfolios von Argonne in entwickelt werden Mikroelektronik kann dazu beitragen, die Entwicklung neuartiger Materialien, Geräte, Schaltkreise und Architekturen zu beschleunigen, die für lebenslanges Lernen optimiert sind. In ihrem Naturelektronik In ihrem Artikel stellen Yanguas-Gil und seine Kollegen einige Designprinzipien vor, um die Entwicklungsbemühungen in diese Richtung zu lenken. Sie beinhalten:

• Hochgradig rekonfigurierbare Architekturen, sodass das Modell beim Lernen die Art und Weise ändern kann, wie es Energie nutzt und Informationen speichert – ähnlich wie das menschliche Gehirn funktioniert.
• Hohe Datenbandbreite (für schnelles Lernen) und großer Speicherbedarf.
• On-Chip-Kommunikation zur Förderung von Zuverlässigkeit und Verfügbarkeit.

„Die Bewältigung dieser Herausforderungen steht in einigen wissenschaftlichen Disziplinen gerade erst am Anfang. Und es wird wahrscheinlich eine sehr enge Zusammenarbeit zwischen diesen Disziplinen sowie Offenheit für neue Designs und neue Materialien erfordern“, erklärt Yanguas-Gil.​„Es ist eine äußerst aufregende Zeit für das gesamte Ökosystem des lebenslangen Lernens.“

Ein Teil dieses Materials basiert auf Forschungsarbeiten, die vom Air Force Research Laboratory gefördert wurden. Zu den Autoren, die zu dieser Forschung beigetragen haben, gehören neben Yanguas-Gil auch Dhireesha Kudithipudi, Anurag Daram, Abdullah M. Zyarah, Fatima Tuz Zohora, James B. Aimone, Nicholas Soures, Emre Neftci, Matthew Mattina, Vincenzo Lomonaco, Clare D. Thiem und Benjamin Epstein.

Argonne Tandem-Linac-Beschleunigersystem

Dieses Material basiert auf Arbeiten, die vom US-Energieministerium unterstützt werden (DAMHIRSCHKUH), Office of Science, Office of Nuclear Physics, unter Vertragsnummer DE-AC02-06CH11357. Diese Forschung nutzte Ressourcen des Argonne Tandem Linac Accelerator Systems (ATLAS), A DAMHIRSCHKUH Benutzereinrichtung des Office of Science.

Argonne National Laboratory sucht nach Lösungen für drängende nationale Probleme in Wissenschaft und Technik. Als erstes nationales Labor des Landes betreibt Argonne Spitzenforschung in Grundlagenforschung und angewandter Wissenschaft in praktisch allen wissenschaftlichen Disziplinen. Argonne-Forscher arbeiten eng mit Forschern von Hunderten von Unternehmen, Universitäten sowie Bundes-, Landes- und Kommunalbehörden zusammen, um ihnen bei der Lösung ihrer spezifischen Probleme zu helfen, Amerikas wissenschaftliche Führung voranzutreiben und das Land auf eine bessere Zukunft vorzubereiten. Mit Mitarbeitern aus mehr als 60 Nationen wird Argonne von geführt UChicago Argonne, GMBH für die Wissenschaftliches Amt des US-Energieministeriums.

Das Office of Science des US-Energieministeriums ist der größte Einzelförderer der Grundlagenforschung in den Naturwissenschaften in den Vereinigten Staaten und arbeitet an der Bewältigung einiger der dringendsten Herausforderungen unserer Zeit. Für weitere Informationen besuchen Sie https://​ener​gy​.gov/​s​c​ience.

Mit freundlicher Genehmigung von Argonne National Laboratory. Von Michael Kooi