Hjerneinspirerte datamaskiner overrasker: En ny algoritme lar nevromorfisk maskinvare løse partielle differensialligninger (PDEer) – selve grunnmuren i mange vitenskapelige beregninger. Studien, publisert i Nature Machine Intelligence, kan bane vei for verdens første nevromorfiske superdatamaskin. Forskningen lover kraftig beregning med langt lavere strømbruk.

Dette er gjennombruddet

• Forskere Brad Theilman og Brad Aimone ved Sandia National Laboratories har utviklet en algoritme som lar nevromorfisk maskinvare løse PDEer.
• Resultatene viser at slike systemer kan håndtere krevende ligninger med bemerkelsesverdig effektivitet.
• Arbeidet er publisert i det prestisjetunge Nature Machine Intelligence.

Hvorfor betyr det noe?

I årevis ble nevromorfisk databehandling først og fremst sett på som mønstergjenkjenning eller en måte å akselerere kunstige nevrale nettverk. At slike systemer kan løse matematisk strenge PDEer – vanligvis forbeholdt storskala superdatamaskiner – snur forventningene.

«Vi begynner akkurat å ha beregningssystemer som kan vise intelligent-lignende atferd. Men de ser ingenting ut som hjernen, og mengden ressurser de krever er rett og slett latterlig,» sier Theilman.

«Ta hvilken som helst type motorisk kontrolloppgave – som å treffe en tennisball eller svinge et balltre mot en baseball,» sier Aimone. «Dette er veldig sofistikerte beregninger. De er problemer på eksaskala-nivå som hjernene våre er i stand til å gjøre veldig billig.»

Slik fungerer det

Algoritmen speiler strukturen og oppførselen til kortikale nettverk i hjernen. Den bygger på en velkjent nevrovitenskapelig modell og avslører en ny kobling mellom denne modellen og PDEer.

«Vi baserte kretsen vår på en relativt velkjent modell i den nevrovitenskapelige verden,» forklarer Theilman. «Vi har vist at modellen har en naturlig, men ikke-åpenbar kobling til PDEer, og den koblingen har ikke blitt gjort før nå – 12 år etter at modellen ble introdusert.»

Energieffektiv løsning på tunge simuleringer

Funnene kan få store konsekvenser for USAs National Nuclear Security Administration (NNSA), som opprettholder landets atomavskrekking. I dag bruker superdatamaskiner i atomvåpenkomplekset enorme mengder elektrisitet for å simulere fysikk i høyinnsatsscenarier. Nevromorfisk databehandling kan betydelig kutte energiforbruket og samtidig levere sterk beregningskraft.

«Du kan løse virkelige fysikkproblemer med hjernelik databehandling,» sier Aimone. «Det er noe du ikke ville forvente fordi folks intuisjon går motsatt vei. Og faktisk er den intuisjonen ofte feil.»

Mer enn teknologi: nye blikk på intelligens

Arbeidet peker også mot dypere spørsmål om intelligens og hvordan hjernen beregner. Forskerne mener det kan knytte nevrovitenskap og anvendt matematikk tettere sammen og gi ny forståelse av informasjonsbehandling i hjernen.

«Sykdommer i hjernen kan være sykdommer i beregning,» sier Aimone. «Men vi har ikke et solid grep om hvordan hjernen utfører beregninger ennå.»

Hvis denne ideen viser seg å stemme, kan nevromorfisk databehandling én dag bidra til bedre forståelse og behandling av Alzheimers og Parkinsons.

Veien videre

Teamet ved Sandia håper funnene vil utløse samarbeid mellom matematikere, nevrovitere og ingeniører for å utvide teknologien.

«Hvis vi allerede har vist at vi kan importere denne relativt grunnleggende, men fundamentale anvendte matematiske algoritmen til nevromorfisk – finnes det en tilsvarende nevromorfisk formulering for enda mer avanserte anvendte matematiske teknikker?» spør Theilman.

«Vi har fått en fot innenfor døren for å forstå de vitenskapelige spørsmålene, men vi har også noe som løser et reelt problem,» avslutter Theilman.

Hovedpoenget: En ny algoritme fra Sandia viser at hjerneinspirert maskinvare kan løse PDEer effektivt. Det åpner for lavere energibruk i store simuleringer, mulig vei mot en nevromorfisk superdatamaskin, og ny innsikt i hvordan hjernen selv beregner. Kilder: ScienceDaily, Sandia National Laboratories, Nature Machine Intelligence