Descripción del proyecto
Redes neuronales similares a las encefálicas para tecnologías de IA eficientes en materia de energía
El campo de la IA restringida está avanzando, pero cada vez hay más demanda de métodos más universales de la IA, que puedan funcionar en una gama de aplicaciones más amplia. El equipo del proyecto EXTRA-BRAIN, financiado con fondos europeos, tiene como objetivo desarrollar tecnologías de inteligencia artificial flexibles, fáciles de instalar y eficientes en materia de energía basadas en redes neuronales similares a las del encéfalo. Estas redes pretenden superar las limitaciones de los métodos de IA actuales, como la fiabilidad limitada y la dependencia excesiva de los datos. En el proyecto se aprovechan los conocimientos de la neurociencia computacional sobre los principios de procesamiento de la información, los esquemas de aprendizaje y las estructuras neuroanatómicas del encéfalo para diseñar estas redes. Los modelos se apoyan en procesos de optimización de datos y en un marco de explicabilidad. El equipo del proyecto validará este marco en varios casos de uso con distintas exigencias de «hardware».
Objetivo
In parallel to the current developments in the so-called narrow artificial intelligence (AI) realm, there is an urgent demand for more universal, general AI approaches that can operate across a wider spectrum of application domains with varying data characteristics. It is expected that the emerging sustainable AI methods can be efficiently deployed in the edge-cloud continuum on different hardware platforms and computing infrastructure depending on the real-world task scenarios and constraints including the limited energy budget. In response to this growing demand and emerging trends we propose to adopt a brain-like approach to AI system design due to its promising potential for functional flexibility, hardware friendliness as well as energy efficiency among others. To this end, EXTRA-BRAIN is aimed at developing a new generation of AI solutions based on brain-like neural networks that enable us to overcome key limitations of the current state-of-the-art methods, exemplified by deep learning, such as limited cross-task generalisation and extrapolation to novel domains (bounded reliability), excessive dependence on costly annotated data as well as extensive training and validation processes with heavy demand for compute resources at high energy cost, to name a few. The core brain-like neural network design in our approach derives from the accumulated computational neuroscience insights into the brain's working principles of information processing, key learning schemes and neuroanatomical structures that underlie the brain's perceptual/cognitive phenomena and its functional flexibility. Furthermore, these novel models are supported by data optimisation pipelines, which improve data quality, security and reduce the costs of assembling suitable training data, and an explainability framework to empower the human user. The proposed EXTRA-BRAIN framework will be examined in a diverse set of use cases with different hardware demands in the edge-cloud continuum.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias naturalesciencias biológicasneurobiología
- ciencias naturalesinformática y ciencias de la informaciónsoftwaresoftware de aplicaciónsoftware de simulación
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
Convocatoria de propuestas
HORIZON-CL4-2023-HUMAN-01-CNECT
Consulte otros proyectos de esta convocatoriaRégimen de financiación
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinador
100 44 Stockholm
Suecia