Visuell symbolförankring med distribuerade representationer
- Diarienummer
- UKR22-0024
- Projektledare
- Rachkovskij, Dmitri
- Start- och slutdatum
- 220601-241231
- Beviljat belopp
- 2 000 000 kr
- Förvaltande organisation
- Luleå University of Technology
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Projekten syftar till att ta itu med sybolföränkringsproblemet i artificiell intelligens (AI) genom att utveckla algoritmer som kan implementeras på enheter med begränsade resurser. Projektet har följande mål: 1. Att skapa nya metoder baserade på Hyperdimensional Computing/Vector Symbolic Architectures (HDC/VSA) för distribuerad representation av 2D-strukturer; 2. Att utveckla hybridarkitekturerna som kombinerar styrkorna med djupinlärning och HDC/VSA; 3. Att implementera och utvärdera lösningarna på neuromorfisk hårdvara. Arbetet är organiserat i tre arbetspaket (WP) – ett per forskningsmål. Projektet är planerat på två år. WP1 adresserar mål 1 och inkluderar 3 delaktiviteter. Resultaten som förväntas från denna WP kommer att vara metoder för att bilda en hierarkisk distribuerad representation av visuell scen. Dessa metoder kommer t.ex. att tillåta extrahera representationer som motsvarar vissa objekttransformationer från representationen av det ursprungliga objektet. WP2 adresserar mål 2 och innehåller 2 delaktiviteter. Huvudresultatet av denna WP kommer att vara en ny neural nätverksarkitektur som realiserar det mest lovande sättet att kombinera principerna för djupinlärning med flexibiliteten och transparensen av HDC/VSA. Slutligen kommer WP3 att ta upp mål 3 och består av 2 delaktiviteter. Resultatet som förväntas från denna WP är en prototyp som visar en potentiell applikation med metoderna utvecklade i WP1 och WP2 på neuromorfisk hårdvara - Intels Loihi-chip.
Populärvetenskaplig beskrivning
Betydelsen av artificiell intelligens (AI) ökar dramatiskt i olika sektorer av vårt samhälle. De noterbara exemplen på AI tillämpningar inkluderar självkörande bilar, sekvensering av genom, diagnostisering av sjukdomar. Behovet av kompakta AI lösningar så kallade TinyAI är däremot enormt stor för att uppnå strategiska målsättningar för ett hållbart samhälle, uthålliga infrastrukturer och intelligenta industrier. Ny neuromorfisk hårdvara som t.ex Intels processorn Loihi använder sig ut av bara en bråkdel av energi för att utföra AI beräkningar jämfört med dem traditionella datorer. Våra lösningar i projektet kommer att testas på denna typ av hårdvara som direkt bidrar till deras hög användbarhet i framtida Tiny AI tillämpningar. I detta projekt söker vi lösningar på ett fundamentalt problem av artificiell intelligens som heter symbolföränkringsproblemmet. Problemet formuleras som att hitta en entydig koppling mellan ett fenomen som är observerad av t.ex. visuell sensor (dvs en kamera) och dess symbolisk representation som kan användas i resonemang, och planeringsrutiner. Wi att utveckla nya metoder för kompositionell distribuerad objektrepresentation, som gör det möjligt att skapa hierarkiska objektrepresentationer "on-the-fly" där liknande representationer motsvarar liknande objekt. Detta kommer att möjliggöra dess användning för att lösa sådana uppgifter som likhetssökning (sök efter objekt i basen som liknar frågeobjektet), klassificering och i många andra AI applikationer. I projektet kommer vi att basera våra originella metoder på teori av hyper-dimensionella beräkningar och vektor-symboliska arkitekturer (VSA). VSA är en biologisk inspirerad beräkningsteori för snabb likhetsanalys av mycket komplexa data. I detta paradigm all data även mycket komplex datastruktur är representerad som en högdimensionell vektor. Under dem senaste tre år var det bevisat att VSA baserat lösningar direkt implementerbara på den nya neuromorfiska hårdvaran. Eftersom tidsåtgången för beräkningarna av vektoroperationerna på en sådan hårdavara är konstant är vinsten i beräkningstid och energiförbrukning för bearbetning av komplexa data dramatisk! Projektet har följande mål: 1. Att skapa nya metoder baserade på HDC/VSA principer för distribuerad representation av 2D-strukturer; 2. Att utveckla hybridarkitekturerna som kombinerar styrkorna med djupinlärning och HDC/VSA; 3. Att implementera och utvärdera lösningarna på neuromorfisk hårdvara.