Wetenschappers maken AI-brein sneller bij het leren van robotbewegingen

Een team van wetenschappers heeft een nieuwe techniek ontdekt om een bepaald soort kunstmatig brein sneller te laten werken en minder stroom te verbruiken. Dit kunstmatige brein, een "spiking neural network" genoemd, is ontworpen om na te bootsen hoe echte hersenen informatie verwerken door snelle elektrische pulsen te sturen, vergelijkbaar met hoe neuronen in je hoofd met elkaar communiceren.

Het probleem dat onderzoekers oplosten heet "inference latency"—eigenlijk de vertraging tussen het moment waarop een systeem iets ziet en het moment waarop het reageert. Denk aan de tijd die het je kost om een bal te vangen nadat je hem ziet aankomen. Hoe langer die vertraging, hoe trager je reactie voelt. Voor robots die menselijke bewegingen leren nabootsen (een proces genaamd "behavior cloning"), maakt deze vertraging echt uit.

De wetenschappers ontwikkelden een slimme truc genaamd "input adaptive leakage." In plaats van alle informatie op exact dezelfde manier te verwerken, past het systeem nu aan hoeveel informatie het onthoudt op basis van wat het werkelijk ziet. Stel je een student voor die goed oplet bij belangrijke onderwerpen in de les, maar onbelangrijke details laat passeren—dat is het basisidee. Deze selectieve aanpak betekent dat het kunstmatige brein sneller beslissingen kan nemen terwijl het minder energie verbruikt.

Waarom zou je dit interessant vinden? Snellere, efficiëntere AI-brein zouden responsievere robots en systemen in het echte leven kunnen aandrijven, van fabrieksautomatisering tot eventuele dagelijkse helpers. Ze zouden ook minder elektriciteit gebruiken, wat beter is voor het milieu. Dit onderzoek, gepubliceerd in het wetenschappelijk tijdschrift Nature, suggereert dat we steeds beter worden in het bouwen van kunstmatige brein die meer als echte brein werken.