Robotilla ei ole muistoja, vaikka fyysistä muistia olisi kuinka paljon. Marylandin yliopiston tutkijat esittelevät uuden tavan yhdistää robottien havaintokyky ja moottoritoiminnot käyttäen hyperdimensionaalista laskentateoriaa. Tämän avulla roboteille saadaan kehitettyä eräänlainen muisti.
Integrointi on robottialan keskeisin haaste. Robotin anturit ja toimilaitteet ovat erillisiä järjestelmiä, jotka yhdistyvät toisiinsa keskitetyn oppimismekanismin kautta. Hankala kolmiosainen ohjausjärjestelmä, jossa jokainen osa toimii omalla tavallaan, on hidas tapa saada robotteja suorittamaan sensorimotorisia tehtäviä.
Robotiikan seuraava askel on robotin havaintokyvyn integrointi toimilaitemoottorin ominaisuuksiin. Tämä fuusio, joka tunnetaan nimellä "aktiivinen havaintokyky", antaisi robotille tehokkaamman ja nopeamman tavan suorittaa tehtäviä.
Tässä uudessa tietojenkäsittelyssä robotin käyttöjärjestelmä perustuisi hyperdimensionaalisiin binäärivektoreihin (HBV). Kyseessä on hypervektoripohjainen vaihtoehto nykyisille laskentamenetelmille.
HBV:t voivat edustaa erilaisia erillisiä asioita - esimerkiksi yhden kuvan, käsitteen, äänen tai ohjeen, erillisistä asioista koostuvia sekvenssejä, sekä erillisten asioiden ja sekvenssien ryhmittelyitä. Ne voivat ottaa huomioon nämä kaikki tietotyypit mielekkäällä tavalla. Järjestelmässä toimintojen mahdollisuudet, anturien tulot ja muu informaatio käyttävät samaa tilaa ja kieltä ja ovat fuusioituneita, mikä luo eräänlaista muistia robotille.
Hyperdimensionaalinen kehys voi kääntää minkä tahansa hetkellisen sekvenssin uudeksi HBV:ksi ja ryhmittää olemassa olevat HBV:t yhteen, kaikki samassa vektoripituudessa. Tämä on luonnollinen tapa luoda semanttisesti merkittäviä ja tietoisia "muistoja".
Käytössä lisääntyvän informaation koodaus puolestaan johtaa ”historiavektoreihin” ja kykyyn muistaa. Signaaleista tulee vektoreita, indeksointi kääntyy muistiksi ja oppiminen tapahtuu klusteroitumalla.
Robotin muistot siitä, mitä se on tunnistanut antureillaan ja tehnyt aikaisemmin, voi johtaa siihen, että se odottaa tulevaa näkemystä ja vaikuttaa sen tuleviin toimiin. Tämä aktiivinen käsitys mahdollistaisi robotin itsenäisyyden ja paremmat valmiudet toteuttaa tehtäviä itsenäisesti.
Marylandin tutkimuksen sovellukset voivat ulottua paljon robottitekniikan ulkopuolelle. Lopullisena tavoitteena on pystyä tuottamaan itse tekoäly pohjimmiltaan eri tavalla: käsitteistä signaaleihin ja kielelle.
Hyperdimensionaalinen laskenta voisi tarjota nopeamman ja tehokkaamman vaihtoehtoisen mallin iteratiivisille hermoverkoille ja syvän oppimisen AI-menetelmille, joita tällä hetkellä käytetään tietojenkäsittelysovelluksissa, kuten datan louhinnassa, visuaalisessa tunnistamisessa ja kuvien kääntämisessä tekstiksi.
Veijo Hänninen
Nanobittejä 24.5.2019
Autoteollisuus on siirtymässä yhä monimutkaisempiin ohjelmistopohjaisiin järjestelmiin, joissa virheetön ohjelmisto on elintärkeää turvallisuuden ja suorituskyvyn varmistamiseksi. Ohjelmiston laatu ja luotettavuus eivät ole enää vain valinnaisia ominaisuuksia, vaan kriittisiä vaatimuksia erityisesti autonomisessa ajamisessa, kehittyneissä kuljettajaa avustavissa järjestelmissä (ADAS) ja yhdistetyissä ajoneuvojärjestelmissä.
Kestävä digitaalinen infrastruktuuri on kriittinen, jotta tietoliikenneverkot voidaan tehokkaasti valjastaa tekoälyinnovaatioiden ja pilvipohjaisten palveluiden tarpeisiin. Tekoälyyn liittyvien datarikkaiden sovellusten lisääntyvä kysyntä edellyttää tietoliikenneverkkoa, joka kykenee käsittelemään suuria tietomääriä alhaisella viiveellä, kirjoittaa Orange Businessin kumppaniratkaisuista vastaava Carl Hansson.
Euroopan unioni ottaa merkittävän askeleen avaruusteknologian kehittämisessä allekirjoittamalla sopimuksen uuden IRIS²-satelliittijärjestelmän toteuttamisesta. Tämä 290 satelliitin verkko on suunniteltu vahvistamaan Euroopan itsenäisyyttä ja turvallista yhteydenpitoa.
Jotta voidaan vastata uuden teknologian vaatimuksiin ja pitää järjestelmät toimimassa ”kellon tavoin”, on aika harkita ajoitusratkaisuja uudelleen. Tässä kaksiosaisessa "Precision Timing" -artikkelissa opit, miksi mikroelektromekaanisiin järjestelmiin eli MEMS-komponentteihin perustuvat piiajoituslaitteet päihittävät kvartsin elektroniikkasuunnittelun uudella aikakaudella. 
Matalatehoisten langattomien ratkaisujen asiantuntija Nordic Semiconductor ja eSIM-ratkaisuja kehittävä Kigen ovat julkistaneet yhteistyön, joka sujuvoittaa massiivisten IoT-verkkojen käyttöönottoa. Yhdessä he esittelevät CES 2025 -messuilla ratkaisun, joka yhdistää Nordic Semiconductorin nRF9151-moduulin ja Kigenin SGP.32 IoT eSIM-teknologian sekä laitteiden hallinta-alustan.
