Opis projektu
Wykorzystywanie mocy obliczeniowej ludzkiego mózgu
Współczesne zastosowania sztucznej inteligencji i uczenia maszynowego stają się coraz bardziej powszechne w wielu obszarach naszego życia, w tym w medycynie, finansach, pojazdach autonomicznych czy w rozwiązaniach rozpoznających mowę. Olbrzymie inwestycje w istniejące techniki uczenia maszynowego i obliczeń neuromorficznych są jednak ograniczone, wymagają bowiem coraz większych mocy obliczeniowych, co prowadzi do wysokiego zapotrzebowania na energię. W celu osiągnięcia przełomu w tej dziedzinie zespół finansowanego ze środków Unii Europejskiej projektu NEU-ChiP zamierza zbadać, w jaki sposób ludzkie komórki macierzyste mózgu wyhodowane na mikrochipie mogą być uczone rozwiązywania problemów na podstawie danych. Wykorzystując zaawansowane modelowanie komputerowe 3D, konsorcjum badaczy zajmujących się wieloma dziedzinami wiedzy zamierza przeprowadzić obserwację procesów zmian zachodzących w komórkach oraz ich plastyczności, co może przełożyć się na rewolucję w obszarze technologii uczenia maszynowego.
Cel
The EU and the rest of the world increasingly rely on artificial intelligence (AI) and machine learning (ML) for everyday functioning. Applications range from decision making in areas such as health and finance, face recognition, autonomous vehicle control, speech recognition and interaction with the internet and social media platforms. Estimated annual global spend on ML and AI is $77.6B in 2022 with a business value of $3.9T. However, current deep-learning machines suffer from inherent and difficult limitations: architectures not adaptable, ineffective learning rules, long training times and computing power, making advances unsustainable.
The NeuChiP project will tackle this issue. We will use emerging stem cell technology to make human neuronal networks that self-organise developmentally using the rules that form the brain. Networks will be made of layered cortical structures and hubs, with guided directional network connections and housed in a fabricated assembly. Input will be by patterned light at cells expressing optogenetic actuators, and output recorded via high resolution 3D multielectrode arrays. Intrinsic physiological mechanisms will enable them to undergo plasticity to designated input patterns. NeuChip will surpass the abilities of conventional artificial neural networks by conducting tasks in dynamically changing environments, exploiting the adaptive, complex and exploratory nature of biological human neural systems. To achieve this we have assembled a cross-disciplinary consortium of neuroscientists, stem cell biologists, bioelectronics developers, statistical physicists, together with machine learning and neuromorphic computing experts. We expect that within 15 years NeuChiP technology, using biological learning rules and powerful human-brain-based circuits will lead to novel and widespread advances in machine learning abilities and beyond, leading to a paradigm-shift in AI technology and applications to benefit society.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSzczegółowe działanie
H2020-FETOPEN-2018-2019-2020-01
System finansowania
RIA - Research and Innovation actionKoordynator
B4 7ET Birmingham
Zjednoczone Królestwo