Εφαρµογή τεχνητών νευρωνικών δικτύων αιχµών σε δεδοµένα δυναµικών αισθητήρων όρασης

Abstract

Η συγχώνευση της τεχνολογίας µε τον ανθρώπινο εγκέφαλο ϐρίσκεται σήµερα στο αποκορύφωµά της. Βλέπουµε τη διατριβή µας ως µια ευκαιρία να εισαγάγουµε ευρήµατα από τη νευροεπιστήµη σε αναγνώστες µε υπόβαθρο ηλεκτρολόγων µηχανικών και µηχανικών πληροφορικής για να τους εµπνεύσουµε να εµβαθύνουν σε πράγµατα που ο εγκέφαλος έχει να τους µάθει και πώς αυτό ϑα µπορούσε να οδηγήσει σε νέα και πιο εξελιγµένη τεχνητή νοηµοσύνη αλλά γιατί αυτό είναι απαραίτητο λαµβάνοντας υπόψη την τεράστια κατανάλωση ενέργειας των τρεχουσών µεθόδων. Ενηµερώνουµε πρώτα τους αναγνώστες για τις ενεργειακές απαιτήσεις των σηµερινών νευρωνικών δικτύων. Περιγράφουµε επίσης ευρήµατα της νευροεπιστήµης σχετικά µε νευρώνες, συνάψεις, δενδρίτες και πώς αυτά σχηµατίζουν µεγαλύτερες δοµές, στη συνέχεια συνεχίζουµε µε την κωδικοποίηση πληροφοριών, τη χρονική κωδικοποίηση των πληροφοριών µέσω πειραµάτων σε διάφορους οργανισµούς και µερικούς τρόπους µε τους οποίους γίνεται η επεξεργασία πληροφοριών στον εγκέφαλο. Στη συνέχεια συγκρίνουµε το υλικό που χρησιµοποιεί νευρωνικά δίκτυα αιχµών ,τα νευροµορφικά, µε υπολογιστικά συστήµατα που ϐασίζονται στην αρχιτεκτονική Von-Neumann. ΄Επειτα εξηγούµε τις µεθόδους και τις εξισώσεις που χρησιµοποιούνται για την προσοµοίωση µοντέλων νευρώνων και ποιοι αλγόριθµοι µάθησης µπορούν να χρησιµοποιηθούν για να ελέγξουν την αποτελεσµατικότητα και την απόδοσή τους µε ϐιβλιοθήκες λογισµικού που ϐασίζονται σε υπάρχουσες ϐιβλιοθήκες µηχανικής εκµάθησης όπως οι PyTorch και TensorFlow, λαµβάνοντας υπόψη την ανάγκη εφαρµογής αυτών των ευρηµάτων στη ϐιοµηχανία.Επίσης, αναλύουµε τους αισθητήρες δυναµικής όρασης. Στην επόµενη ενότητα παρουσιάζουµε τα πειράµατά µας σχετικά µε το σύνολο δεδοµένων αισθητήρα δυναµικής όρασης που χρησιµοποιήσαµε ’DVS Gestures’ από την IBM και εξηγούµε λεπτοµερώς τα αποτελέσµατα. Στο τέλος, συνοψίζουµε τα ευρήµατα της έρευνας µας και προτείνουµε νέες ερευνητικές κατευθύνσεις που ϑα µπορούσαν να µειώσουν σηµαντικά το οικονοµικό κόστος της µηχανικής µάθησης.