'Le propriétaire de Bilibili UP a créé avec succès le premier réseau neuronal au monde basé sur la pierre rouge, qui a fait sensation sur les réseaux sociaux et a été salué par Yann LeCun.'

Dans Minecraft, la redstone est un élément très important. C'est un matériau unique dans le jeu. Les interrupteurs, les torches de redstone et les blocs de redstone peuvent fournir une énergie semblable à l'électricité aux fils ou aux objets.

Les circuits Redstone peuvent construire des structures vous permettant de contrôler ou d'activer d'autres machines. Ils peuvent eux-mêmes être conçus pour répondre à l'activation manuelle par les joueurs, ou ils peuvent émettre des signaux à plusieurs reprises ou répondre aux changements provoqués par des non-joueurs. mouvement des créatures, chute d'objets, croissance des plantes, remplacement de jour et de nuit, etc.

Par conséquent, dans mon monde, Redstone peut contrôler de nombreux types de machines, allant des machines simples telles que les portes automatiques, les interrupteurs d'éclairage et les alimentations stroboscopiques, aux énormes ascenseurs, aux fermes automatiques, aux petites plates-formes de jeu et même à l'ordinateur intégré au jeu. .

Récemment, le propriétaire de Bilibili UP @chenzhanaotou et d'autres ont réalisé une véritable « intelligence artificielle de redstone » dans Minecraft. Ils ont passé six mois à construire le premier réseau neuronal de redstone pur au monde. La tâche Il reconnaît 15 × 15 chiffres manuscrits.

Les auteurs ont déclaré avoir utilisé une méthode de calcul non traditionnelle - le calcul aléatoire pour mettre en œuvre le réseau neuronal. La conception et la disposition sont beaucoup plus simples que le calcul traditionnel de pleine précision, et le temps de reconnaissance théorique unique n'est que de 5 minutes.

Ce réseau neuronal de redstone pur a accompli une tâche courante de reconnaissance d'images dans le domaine de l'apprentissage automatique - la reconnaissance de chiffres manuscrits, et la précision a atteint 80 % (simulée sur l'ensemble de données MNIST).

Dans le processus de mise en œuvre, les différents éléments utilisés par l'auteur sont les suivants :

Un seul neurone accepte plusieurs entrées et produit une sortie.

Ajoutez un "multiplicateur" pour effectuer une multiplication décimale en utilisant uniquement des nombres aléatoires et une seule porte logique.

Le réseau de neurones génère le résultat de la reconnaissance ou le transmet à la couche suivante.

Confiance de chaque numéro.

La couche convolutionnelle est utilisée pour extraire les caractéristiques des traits.

Première couche entièrement connectée : compressez les informations et classez-les.

Tableau de fonctions d'activation : mappez de manière non linéaire les données à un espace de fonctionnalités de grande dimension.

Deuxième et troisième couches entièrement connectées : classifiez et extrayez davantage les résultats de reconnaissance.

L'auteur a déclaré que l'architecture utilisée par le réseau est compressée LeNet-5 et que la précision atteint 80 %.

Cependant, en raison de la puissance de calcul de Minecraft, le temps de reconnaissance réel dépasse 20 minutes. Néanmoins, il s’agit toujours d’une avancée majeure dans le domaine de l’électronique numérique Redstone, et pourrait également inspirer les réseaux neuronaux matériels réels.

Actuellement, la vidéo a été visionnée plus de 800 000 fois, se classant au 39ème rang du classement Bilibili, ce qui a étonné les internautes de tous horizons. Même Yann LeCun, lauréat du prix Turing, a republié la vidéo sur Facebook en déclarant : « Une personne très patiente et persistante a implémenté LeNet-5 dans mon monde en utilisant Redstone. » LeCun est le proposant de l'architecture LeNet.

【Minecraft】Le premier réseau neuronal de Redstone pur au monde ! Real Redstone Artificial Intelligence (chinois/anglais) [Minecraft] Réseau de neurones convolutifs Redstone - Principe

Le principe derrière

Dans une autre vidéo "[Minecraft] Réseau de neurones convolutifs Redstone - Principe", l'auteur explique les principes des réseaux de neurones convolutifs Redstone en détails.

En général, ils utilisent un réseau neuronal convolutif compressé LeNet-5. La convolution est la première étape du calcul du réseau, utilisant une fenêtre pondérée (noyau de convolution) pour numériser l'image une par une et extraire les caractéristiques du trait.

​

Ensuite, ces caractéristiques des traits sont introduites dans un réseau neuronal profond (couche entièrement connectée) à des fins de classification et de reconnaissance.

Implémentation du réseau neuronal Redstone dans Minecraft​

L'auteur répertorie d'abord les périphériques d'entrée, notamment une tablette à plaque de pression monopulse et un écran de coordonnées 15×15. Le bloc d'écriture manuscrite génère à chaque fois un signal de coordonnées de 2 ticks, qui est ensuite dessiné sur l'écran.

Ensuite, les chiffres manuscrits saisis entrent dans la couche de convolution. La méthode de calcul consiste à accumuler la partie couverte du noyau de convolution et à transmettre le résultat à la couche suivante. De plus, afin de garantir la non-linéarité, la sortie passe également par la fonction ReLU.

Étant donné que le noyau de convolution n'est que 3×3, l'auteur utilise directement l'opération de modèle électrique et exécute automatiquement ReLU à l'extrémité de sortie.

De plus, comme la convolution ne peut pas bouger comme dans l'animation, une méthode d'empilement direct est utilisée, puis connectée à l'entrée du pavé d'écriture manuscrite via un câblage dur.

Au niveau de la couche entièrement connectée, chaque couche est composée de plusieurs réseaux de neurones. Chaque neurone connecte plusieurs entrées et produit une sortie. Le neurone pèse et accumule chaque entrée, puis l'injecte dans une sortie de fonction d'activation. Il est à noter que la sommation pondérée est une « division linéaire », et la fonction d'activation doit être non linéaire pour augmenter la dimension. L'auteur a utilisé tanh (tangente hyperbolique) comme fonction d'activation.

se reflète dans le circuit neuronal réel, comme le montre la figure ci-dessous.

En même temps, le poids est stocké dans le lanceur (utilisé pour ajuster le rapport des éléments afin de générer des chaînes aléatoires de différentes fréquences). L'entrée est multipliée par le poids puis accumulée via l'électronique analogique.

Mise en œuvre finale du circuit

Concernant la mise en œuvre du circuit, l'addition est d'abord calculée via des signaux électriques analogiques, puis convertie en signaux électriques numériques.

L'accumulateur est modifié à partir de l'additionneur de pipeline 2tick fourni par un autre propriétaire d'Up afin qu'il ne déborde pas.

Ensuite les neurones sont empilés pour former une couche entièrement connectée.

La sortie de la dernière couche et le cache inter-couche utilisent le compteur analogique suivant, qui peut compter le nombre de "1" dans la chaîne de 5 Hz, la capacité est de 1024.

Enfin au niveau de la couche de sortie, les 4 bits hauts du compteur sont connectés à la carte de comptage, puis le circuit sélectionne le valeur maximale et l'affiche sur le panneau.

À la fin de la vidéo, l'auteur montre la structure finale du réseau, comme le montre la figure ci-dessous. Parmi eux, la plage de poids est [-1, 1], la longueur de chaîne aléatoire est de 1 024 et la précision de l'ensemble de données MNIST est d'environ 80 %. Cependant, lorsque la longueur de la chaîne est de 256, la précision n'est que de 62 %.

​ # 🎜🎜#​# 🎜 🎜#

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!