Intelligent machines work in unstructured environments by differential neuromorphic computing

要約

現実世界でインテリジェントマシンを効率的に運用するには、人間と同様に、非構造化環境によってもたらされる不確実性を、優れた精度、拡張性、一般化で理解し、予測できる方法が必要です。
現在の手法は、作業環境の動的な信号特性から継続的に学習するのではなく、事前学習されたネットワークに依存しており、大量のデータを必要とする手順や限られた汎化機能などの固有の制限に悩まされています。
ここでは、メモリスタベースの差分ニューロモーフィック コンピューティング、知覚信号処理、およびインテリジェント マシンの学習方法を紹介します。
メモリスタにエンコードされた機械的刺激の増幅 (>720%) や適応 (<50%) などの環境情報の主な特徴が抽出され、非構造化環境で人間のような処理が可能になります。 開発された手法は、メモリスタの固有のマルチステート特性を利用しており、物体把握と自動運転という 2 つの異なるアプリケーション シナリオでの検証で確認されたように、優れたスケーラビリティと一般化を示します。 前者では、ロボットハンドが単一のメモリスタで未知の物体の特徴（鋭い角や滑らかな表面など）を高速（〜1ms）で学習することで、安全で安定した把持を実験的に実現します。 後者では、自動運転における 10 の非構造化環境 (追い越し車、歩行者など) の意思決定情報が、40*25 のメモリスタ アレイを使用して正確に (94%) 抽出されます。 ここで紹介する電子メモリスティブニューロモーフィック回路ベースの手法は、人間の低レベルの知覚メカニズムの本質を模倣することで、多様なセンシング技術に適応し、インテリジェントマシンが現実世界でスマートな高レベルの意思決定を生成できるよう支援する可能性を示しています。

要約(オリジナル)

Efficient operation of intelligent machines in the real world requires methods that allow them to understand and predict the uncertainties presented by the unstructured environments with good accuracy, scalability and generalization, similar to humans. Current methods rely on pretrained networks instead of continuously learning from the dynamic signal properties of working environments and suffer inherent limitations, such as data-hungry procedures, and limited generalization capabilities. Herein, we present a memristor-based differential neuromorphic computing, perceptual signal processing and learning method for intelligent machines. The main features of environmental information such as amplification (>720%) and adaptation (<50%) of mechanical stimuli encoded in memristors, are extracted to obtain human-like processing in unstructured environments. The developed method takes advantage of the intrinsic multi-state property of memristors and exhibits good scalability and generalization, as confirmed by validation in two different application scenarios: object grasping and autonomous driving. In the former, a robot hand experimentally realizes safe and stable grasping through fast learning (in ~1 ms) the unknown object features (e.g., sharp corner and smooth surface) with a single memristor. In the latter, the decision-making information of 10 unstructured environments in autonomous driving (e.g., overtaking cars, pedestrians) is accurately (94%) extracted with a 40*25 memristor array. By mimicking the intrinsic nature of human low-level perception mechanisms, the electronic memristive neuromorphic circuit-based method, presented here shows the potential for adapting to diverse sensing technologies and helping intelligent machines generate smart high-level decisions in the real world.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google