Newswise – “یادگیری مادام العمر” را به صورت آنلاین جستجو کنید و لیست کاملی از برنامه ها را پیدا خواهید کرد که به شما یاد می دهند چگونه لحاف بازی کنید، شطرنج بازی کنید یا حتی به یک زبان جدید صحبت کنید.

در زمینه های در حال ظهور هوش مصنوعی (هوش مصنوعی) و دستگاه های مستقل، با این حال، “یادگیری مادام العمر” معنای متفاوتی دارد – و کمی پیچیده تر است. این به توانایی یک دستگاه برای کار مداوم، تعامل با محیط خود و یادگیری از محیط خود – به طور مستقل و در زمان واقعی اشاره دارد.

این توانایی برای توسعه برخی از امیدوارکننده‌ترین فناوری‌های ما، از پهپادهای تحویل خودکار و خودروهای خودران گرفته تا مریخ نوردهای فرازمینی و روبات‌هایی که قادر به انجام کارهای بسیار خطرناک برای انسان هستند، حیاتی است.

برای ایجاد دستگاه‌هایی که واقعاً بتوانند در زمان واقعی یاد بگیرند، به پیشرفت‌هایی در طراحی الگوریتم، طراحی تراشه و مواد و دستگاه‌های جدید نیاز داریم. این یک زمان بسیار هیجان انگیز برای کل اکوسیستم یادگیری مادام العمر است.” – Angel Janguas-Gil، دانشمند ارشد مواد در Argonne

در تمام این موارد، دانشمندان در حال توسعه الگوریتم هایی با سرعت سرسام آور هستند تا چنین یادگیری را امکان پذیر کنند. اما سخت افزار تخصصی هوش مصنوعی شتاب دهنده ها یا تراشه هایی که دستگاه ها برای اجرا نیاز دارند، این الگوریتم های جدید باید پشتیبانی کنند.

این چالشی است که آنجل یانگواس گیل، محقق آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده (DOE) با آن روبرو شده است. کارهای او بخشی از آثار آرگون است ابتکار میکروالکترونیک و توسط برنامه تحقیق و توسعه هدایت شده در آزمایشگاه Argonne تأمین می شود. Yanguas-Gil و یک تیم چند رشته‌ای از همکاران اخیراً مقاله‌ای را در این مقاله منتشر کرده‌اند الکترونیک طبیعی که چالش های نرم افزاری و سخت افزاری را بررسی می کند هوش مصنوعیچهره دستگاه های هدایت شده و چگونه می توانیم از طریق طراحی بر آنها غلبه کنیم.

یادگیری در زمان واقعی

رویکردهای فعلی به هوش مصنوعی مبتنی بر آموزش و استنتاج مدل هستند. توسعه دهنده “آموزش” می دهد هوش مصنوعی توانایی آفلاین برای استفاده از انواع خاصی از اطلاعات برای انجام مجموعه خاصی از وظایف، آزمایش عملکرد آن و سپس نصب آن بر روی دستگاه مورد نظر.

Janguas-Gill توضیح می‌دهد: «در آن مرحله، دستگاه دیگر نمی‌تواند از داده‌ها یا تجربیات جدید بیاموزد. اگر توسعه‌دهنده بخواهد قابلیت‌هایی را به دستگاه اضافه کند یا عملکرد آن را بهبود بخشد، باید دستگاه را از کار انداخته و سیستم را از ابتدا آموزش دهد.»

برای کاربردهای پیچیده، این مدل به سادگی امکان پذیر نیست.

«فکر کنید که یک سیاره‌نورد با جسمی روبرو می‌شود که برای تشخیص آن آموزش ندیده است. یا او به زمینی می‌رود که برای هدایت آن آموزش ندیده است.» Janguas-Gil ادامه می‌دهد. با توجه به فاصله زمانی بین مریخ نورد و اپراتورهای آن، توقف آن و تلاش برای آموزش مجدد آن برای کار در این شرایط کارساز نخواهد بود. در عوض، مریخ نورد باید بتواند انواع جدیدی از داده ها را جمع آوری کند. او باید این اطلاعات جدید را با اطلاعاتی که از قبل در اختیار دارد – و وظایف مرتبط با آن – مرتبط کند. و سپس در مورد کارهای بعدی در زمان واقعی تصمیم بگیرید.

چالش این است که یادگیری در زمان واقعی نیاز به الگوریتم‌های پیچیده‌تری دارد. به نوبه خود، این الگوریتم ها برای اجرا به قدرت بیشتر، حافظه بیشتر و انعطاف پذیری بیشتر از شتاب دهنده های سخت افزاری خود نیاز دارند. و این تراشه ها تقریباً همیشه از نظر اندازه، وزن و قدرت محدود هستند – بسته به دستگاه.

کلیدهای شتاب دهنده برای یادگیری مادام العمر

به گزارش روزنامه، هوش مصنوعی شتاب دهنده ها به طیف وسیعی از قابلیت ها نیاز دارند تا به دستگاه های میزبان خود اجازه دهند به طور مداوم یاد بگیرند.

قابلیت یادگیری باید روی دستگاه باشد. در اکثر برنامه‌های کاربردی، زمانی برای بازیابی اطلاعات از یک منبع راه دور مانند ابر یا انتقال سریع از اپراتور با دستورالعمل‌ها قبل از نیاز به انجام کار وجود نخواهد داشت.

شتاب دهنده همچنین باید این توانایی را داشته باشد که نحوه استفاده از منابع خود را در طول زمان برای به حداکثر رساندن استفاده از انرژی و فضا تغییر دهد. این ممکن است به معنای تصمیم گیری برای تغییر مکان ذخیره انواع خاصی از داده ها یا میزان مصرف انرژی برای انجام وظایف خاص باشد.

ضرورت دیگر چیزی است که محققان آن را «بازگشت پذیری مدل» می نامند. این بدان معنی است که سیستم می تواند به اندازه کافی ساختار اصلی خود را حفظ کند تا به انجام وظایف مورد نظر خود در سطح بالا ادامه دهد، حتی اگر به طور مداوم در نتیجه یادگیری خود در حال تغییر و تحول باشد. این سیستم همچنین باید از آنچه کارشناسان «فراموشی فاجعه‌بار» می‌نامند، جلوگیری کند، جایی که یادگیری وظایف جدید باعث می‌شود سیستم کارهای قدیمی‌تر را فراموش کند. این یک اتفاق رایج امروزه است فراگیری ماشین نزدیک می شود. در صورت لزوم، سیستم‌ها باید بتوانند به شیوه‌های موفق‌تری بازگردند، اگر عملکرد شروع به کاهش کرد.

در نهایت، شتاب‌دهنده ممکن است نیاز داشته باشد دانش به دست آمده از وظایف قبلی (با استفاده از داده‌های تجربیات گذشته از طریق فرآیندی به نام تکرار) را در حالی که فعالانه کارهای جدید را انجام می‌دهد، ادغام کند.

همه این توانایی ها چالش هایی را برای آنها ایجاد می کند هوش مصنوعی شتاب‌دهنده‌هایی که محققان تازه شروع به پذیرش آن‌ها کرده‌اند.

چگونه بفهمیم که کار می کند؟

فرآیند اندازه گیری عملکرد هوش مصنوعی شتاب دهنده ها نیز در دست ساخت است. در گذشته، ارزیابی‌ها بر دقت کار متمرکز شده‌اند تا میزان «فراموشی» را که در یک سیستم هنگام یادگیری دنباله‌ای از کارها رخ می‌دهد، اندازه‌گیری کند.

اما این اقدامات به اندازه کافی ظریف نیستند تا اطلاعاتی را که توسعه دهندگان برای توسعه نیاز دارند، به دست آورند هوش مصنوعی تراشه هایی که می توانند تمام چالش های مورد نیاز برای یادگیری مادام العمر را برطرف کنند. بر اساس این مقاله، توسعه دهندگان اکنون بیشتر علاقه مند به ارزیابی این هستند که چگونه یک دستگاه می تواند از آموخته های خود برای بهبود عملکرد خود در کارهای قبلی استفاده کند. و بعد از نقطه ای در دنباله ای که او اطلاعات جدیدی را می آموزد. هدف دیگر معیارهای در حال ظهور اندازه گیری سرعت یادگیری مدل و مدیریت رشد خود است.

پیشرفت در مواجهه با پیچیدگی

اگر همه اینها بسیار پیچیده به نظر می رسد، خوب است.

Janguas-Gil می‌گوید: «به نظر می‌رسد که برای ایجاد دستگاه‌هایی که می‌توانند در زمان واقعی یاد بگیرند، به پیشرفت‌ها و استراتژی‌هایی از طراحی الگوریتم گرفته تا طراحی تراشه تا مواد و دستگاه‌های جدید نیاز داریم.

خوشبختانه، محققان می‌توانند از فناوری‌های موجود که در اصل برای کاربردهای دیگر مانند دستگاه‌های حافظه طراحی شده‌اند، استفاده یا تطبیق دهند. این می تواند به تحقق قابلیت های یادگیری مادام العمر به گونه ای کمک کند که با فناوری های پردازش نیمه هادی فعلی سازگار باشد.

به همین ترتیب، رویکردهای طراحی مشترک جدید به عنوان بخشی از مجموعه تحقیقاتی Argonne در میکروالکترونیک می تواند به تسریع توسعه مواد، دستگاه ها، مدارها و معماری های جدید بهینه شده برای یادگیری مادام العمر کمک کند. Yanguas-Gil و همکارانش در مقاله Nature Electronics برخی از اصول طراحی را برای هدایت تلاش‌های توسعه در این راستا ارائه می‌کنند. آنها عبارتند از:

• معماری های بسیار قابل تنظیم مجدد به طوری که مدل می تواند نحوه استفاده از انرژی و ذخیره اطلاعات را در حین یادگیری تغییر دهد – شبیه به نحوه عملکرد مغز انسان.
• پهنای باند داده بالا (برای یادگیری سریع) و حافظه بزرگ.
• ارتباطات داخلی برای ارتقای قابلیت اطمینان و در دسترس بودن.

«فرایند رسیدگی به این چالش ها در تعدادی از رشته های علمی تازه شروع شده است. و احتمالاً به همکاری بسیار نزدیک بین این رشته‌ها و همچنین گشودگی به طرح‌های جدید و مواد جدید نیاز دارد.» Janguas-Gill توضیح می‌دهد. “این یک زمان بسیار هیجان انگیز برای کل اکوسیستم یادگیری مادام العمر است.”

برخی از این مطالب بر اساس تحقیقات حمایت شده توسط آزمایشگاه تحقیقاتی نیروی هوایی است. علاوه بر Yanguas-Gil، نویسندگانی که در این مطالعه مشارکت دارند عبارتند از Dhireesha Kudithipoudi، Anurag Daram، Abdullah M. Zyarah، Fatima Tuz Zohora، James B. Aimone، Nicholas Soures، Emre Neftci، Matthew Mattina، Vincenzo Lomonaco، Clare D.Thiem و بنجامین اپستاین