"Bilibili UP의 소유자는 세계 최초의 레드스톤 기반 신경망을 성공적으로 만들었습니다. 이는 소셜 미디어에서 센세이션을 일으켰고 Yann LeCun의 칭찬을 받았습니다."

마인크래프트에서 레드스톤은 매우 중요한 아이템입니다. 스위치, 레드스톤 횃불, 레드스톤 블록은 게임 내 고유한 재료로 전선이나 물체에 전기와 같은 에너지를 공급할 수 있습니다.

Redstone 회로는 다른 기계를 제어하거나 활성화할 수 있는 구조를 구축할 수 있습니다. 회로 자체는 플레이어의 수동 활성화에 응답하도록 설계할 수도 있고, 반복적으로 신호를 출력하거나 플레이어가 아닌 사람에 의한 변경에 응답할 수도 있습니다. 생물 이동, 아이템 드랍, 식물 성장, 주야간 교체 등

그러므로 나의 세계에서 레드스톤은 자동문, 전등 스위치, 스트로보 전원 공급 장치와 같은 단순한 기계부터 거대한 엘리베이터, 자동 농장, 소규모 게임 플랫폼, 심지어 게임에 내장된 컴퓨터에 이르기까지 다양한 유형의 기계를 제어할 수 있습니다. .

최근 Bilibili UP 소유자 @chenzhanaotou와 다른 사람들은 Minecraft에서 실제 "레드스톤 인공 지능"을 실현했습니다. 그들은 6개월에 걸쳐 세계 최초의 순수 레드스톤 신경망을 구축했습니다. 이 작업은 15×15 손으로 쓴 숫자를 인식합니다.

저자들은 신경망을 구현하기 위해 비전통적인 계산 방법인 무작위 계산을 사용했다고 밝혔습니다. 디자인과 레이아웃은 기존의 완전 정밀도 계산보다 훨씬 간단하며 단일 이론적 인식 시간은 5분에 불과합니다.

이 순수 레드스톤 신경망은 기계 학습 분야의 일반적인 이미지 인식 작업인 필기 숫자 인식을 완료했으며 정확도는 80%에 달했습니다(MNIST 데이터 세트에서 시뮬레이션).

구현 과정에서 저자가 사용한 다양한 요소는 다음과 같습니다.

단일 뉴런은 여러 입력을 받아 출력을 생성합니다.

난수와 단일 논리 게이트만 사용하여 소수 곱셈을 수행하려면 "승수"를 추가하세요.

뉴런 배열은 인식 결과를 출력하거나 다음 레이어로 전달합니다.

각 숫자의 자신감.

획 특징을 추출하는 데 컨볼루셔널 레이어가 사용됩니다.

완전 연결된 첫 번째 레이어: 정보를 압축하고 분류합니다.

활성화 함수 배열: 데이터를 고차원 특징 공간에 비선형적으로 매핑합니다.

완전 연결된 두 번째 및 세 번째 레이어: 인식 결과를 추가로 분류하고 출력합니다.

저자는 네트워크에서 사용되는 아키텍처가 LeNet-5로 압축되었으며 정확도가 80%에 달한다고 말했습니다.

그러나 마인크래프트의 컴퓨팅 성능으로 인해 실제 인식 시간은 20분을 초과합니다. 그럼에도 불구하고 이는 여전히 레드스톤 디지털 전자 분야의 주요 혁신이며 실제 하드웨어 신경망에 영감을 줄 수도 있습니다.

현재 해당 영상은 80만회 이상 재생되며 빌리빌리 순위 39위로 최고 순위를 기록하며 각계 네티즌들을 경악케 했다. Turing Award 수상자 Yann LeCun도 "매우 참을성 있고 끈질긴 사람이 내 세계에서 레드스톤을 사용하여 LeNet-5를 구현했습니다."라고 말하면서 동영상을 Facebook에 다시 게시했습니다. LeCun은 LeNet 아키텍처의 제안자입니다.

【Minecraft】세계 최초의 순수 레드스톤 신경망! Real Redstone Artificial Intelligence (중국어/영어) [Minecraft] Redstone Convolutional Neural Network - 원리

The 원리 Behind

다른 영상 "[Minecraft] Redstone Convolutional Neural Network - 원리"에서 저자는 레드스톤 회선 신경망의 원리를 설명합니다. 상세히.

일반적으로 그들은 압축된 LeNet-5 컨볼루션 신경망을 사용합니다. 컨볼루션은 네트워크 계산의 첫 번째 단계로, 가중치 창(컨볼루션 커널)을 사용하여 이미지를 하나씩 스캔하고 획 특징을 추출합니다.

​

그런 다음 이러한 뇌졸중 특징은 분류 및 인식을 위해 심층 신경망(완전 연결 레이어)에 입력됩니다.

Implementing Redstone Neural Network in Minecraft​

저자는 먼저 모노펄스 압력판 태블릿과 15×15 좌표 화면을 포함한 입력 장치를 나열합니다. 필기 패드는 매번 2틱의 좌표 신호를 생성한 후 화면에 그려집니다.

그런 다음 입력된 손으로 쓴 숫자가 컨볼루션 레이어에 들어갑니다. 계산 방법은 컨볼루션 커널의 덮인 부분을 축적하고 그 결과를 다음 레이어로 출력하는 것입니다. 또한 비선형성을 보장하기 위해 출력도 ReLU 기능을 통과합니다.

콘볼루션 커널은 3×3에 불과하기 때문에 저자가 직접 전기적 모델 연산을 사용하고 출력단에서 자동으로 ReLU를 수행합니다.

또한 애니메이션처럼 컨볼루션이 움직일 수 없기 때문에 다이렉트 스태킹 방식을 사용한 후 하드 와이어링을 통해 필기 패드 입력에 연결합니다.

완전 연결 계층에서 각 계층은 여러 개의 신경망으로 구성됩니다. 각 뉴런은 여러 입력을 연결하고 출력을 생성합니다. 뉴런은 각 입력에 가중치를 부여하고 축적한 다음 이를 활성화 함수 출력에 공급합니다. 가중 합산은 "선형 나누기"이며 차원을 늘리려면 활성화 함수가 비선형이어야 합니다. 저자는 활성화 함수로 tanh(하이퍼볼릭 탄젠트)를 사용했습니다.

은 아래 그림과 같이 실제 뉴런 회로에 반영됩니다.

동시에 무게는 던지는 장치에 저장됩니다(다른 주파수의 임의 문자열을 생성하기 위해 항목의 비율을 조정하는 데 사용됨). 입력에 무게를 곱한 다음 아날로그 전자 장치를 통해 누적됩니다.

최종 회로 구현

회로 구현은 먼저 아날로그 전기 신호를 통해 덧셈을 계산한 후 디지털 전기 신호로 변환합니다.

누산기는 다른 Up 소유자가 제공한 2tick 파이프라인 가산기에서 수정되어 오버플로되지 않습니다.

그런 다음 뉴런이 쌓여 완전 연결 레이어를 형성합니다.

마지막 레이어의 출력과 레이어 간 버퍼는 다음과 같은 아날로그 카운터를 사용하는데, 이는 5Hz 문자열에서 "1"의 개수를 셀 수 있으며 용량은 1024입니다.

마지막으로 출력 레이어에서 카운터의 상위 4비트가 카운팅 보드에 연결되고 회로는 최대값을 선택하여 출력 패널에 표시합니다.

영상 마지막 부분에서 저자는 아래 그림과 같이 최종 네트워크 구조를 보여줍니다. 그 중 가중치 범위는 [-1, 1]이고, 임의의 문자열 길이는 1024이며, MNIST 데이터 세트의 정확도는 약 80%입니다. 그러나 문자열 길이가 256인 경우 정확도는 62%에 불과합니다.

​ ​

위 내용은 "Bilibili UP의 소유자는 세계 최초의 레드스톤 기반 신경망을 성공적으로 만들었습니다. 이는 소셜 미디어에서 센세이션을 일으켰고 Yann LeCun의 칭찬을 받았습니다."의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!