Přemostění propasti mezi umělou inteligencí a neuromorfními výpočty

V rychle se vyvíjející oblasti umělé inteligence je hledání hardwaru, který by dokázal držet krok s rostoucími výpočetními nároky, neúprosné. Významného průlomu v tomto úsilí bylo dosaženo díky společnému úsilí, které vedla Purdue University, spolu s University of California San Diego (UCSD) a École Supérieure de Physique et de Chimie Industrielles (ESPCI) v Paříži. Tato spolupráce představuje klíčový pokrok v oblasti neuromorfních výpočtů, revolučního přístupu, který se snaží napodobit mechanismy lidského mozku v rámci výpočetní architektury.

Výzvy současného hardwaru umělé inteligence

Rychlý pokrok v AI přinesl složité algoritmy a modely vyžadující bezprecedentní úroveň výpočetního výkonu. Když se však ponoříme hlouběji do sfér umělé inteligence, vynoří se do očí bijící výzva: nedostatečnost současných počítačových architektur na bázi křemíku, aby držely krok s vyvíjejícími se požadavky technologie umělé inteligence.

Erica Carlsonová, profesorka fyziky a astronomie na Purdueově univerzitě, která oslavuje 150. výročí svého vzniku, tuto výzvu stručně formuluje. Vysvětluje: „Kódy inspirované mozkem, které jsou součástí revoluce umělé inteligence, jsou z velké části provozovány na konvenčních křemíkových počítačových architekturách, které pro to nebyly navrženy.“ Toto pozorování podtrhuje zásadní rozpor mezi stávajícím hardwarem, primárně uzpůsobeným pro všeobecné výpočty, a specializovanými potřebami pokročilých algoritmů umělé inteligence.

Tento nesoulad, jak zdůrazňuje Carlson, nejen omezuje potenciální aplikace AI, ale také vede ke značné energetické neefektivitě. Křemíkové čipy, stálice digitálního věku, jsou vnitřně nevhodné pro paralelní a propojené zpracování, které neuronové sítě a modely hlubokého učení vyžadují. Schopnost lineárního a sekvenčního zpracování tradičních CPU (Central Processing Units) a GPU (Graphics Processing Units) je v ostrém kontrastu s požadavky pokročilých výpočtů AI.

Neuromorphic Computing odhalen

Společné výzkumné úsilí vyvrcholilo významným průlomem, jak je podrobně popsáno v jejich studii „Prostorově distribuovaná paměť obrácení rampy ve VO2„Tento výzkum ohlašuje nový přístup k výpočetnímu hardwaru, inspirovaný synaptickými operacemi lidského mozku.“

Ústředním bodem tohoto průlomu je koncept neuromorfních výpočtů. Na rozdíl od tradičních počítačových architektur se neuromorfní výpočty snaží napodobit strukturu a funkčnost lidského mozku, zejména se zaměřením na neurony a synapse. Neurony jsou buňky v mozku přenášející informace a synapse jsou mezery umožňující přenos signálů z jednoho neuronu na druhý. V biologických mozcích jsou tyto synapse rozhodující pro kódování paměti.

Inovace týmu spočívá v použití oxidů vanadu, materiálů jedinečně vhodných pro vytváření umělých neuronů a synapsí. Tato volba materiálu představuje významný odklon od konvenčních přístupů založených na křemíku a ztělesňuje podstatu neuromorfní architektury – replikaci chování podobného mozku v rámci výpočetních čipů.

Energetická účinnost a vylepšené výpočty

Důsledky tohoto průlomu jsou dalekosáhlé, zejména pokud jde o energetickou účinnost a výpočetní schopnosti. Carlson rozvádí potenciální výhody a uvádí: „Neuromorfní architektury slibují procesory s nižší spotřebou energie, vylepšené výpočty, zásadně odlišné výpočetní režimy, nativní učení a vylepšené rozpoznávání vzorů. Tento posun směrem k neuromorfním výpočtům by mohl předefinovat prostředí AI hardwaru a učinit jej udržitelnějším a účinnějším.

Jednou z nejpřesvědčivějších výhod neuromorfních výpočtů je jejich příslib ve výrazném snížení energetických nákladů spojených s trénováním velkých jazykových modelů, jako je ChatGPT. Současná vysoká spotřeba energie těchto modelů je z velké části připisována nesouladu mezi hardwarem a softwarem – propasti, kterou se neuromorfní výpočetní systémy snaží překlenout. Díky emulaci základních komponent mozku poskytují tyto architektury přirozenější a efektivnější způsob, jak systémy AI zpracovávat data a učit se z nich.

Carlson dále poukazuje na omezení křemíku při replikaci chování podobného neuronu, což je kritický aspekt pro pokrok v hardwaru AI. Neuromorfní architektury se svou schopností napodobovat synapse i neurony představují revoluci ve fungování systémů umělé inteligence a přibližují se k modelu, který je více podobný lidským kognitivním procesům.

Klíčovým prvkem tohoto výzkumu je inovativní využití oxidů vanadu. Tento materiál se jeví jako velmi slibný pro simulaci funkcí neuronů a synapsí lidského mozku. Alexandre Zimmers, přední experimentální vědec ze Sorbonnské univerzity a ESPCI, zdůrazňuje tento průlom slovy: „U oxidu vanadu jsme pozorovali, jak se chová jako umělá synapse, což je významný skok v našem chápání.“

Výzkum týmu vedl k jednoduššímu a efektivnějšímu způsobu ukládání paměti, podobnému tomu, jak to dělá lidský mozek. Pozorováním chování oxidu vanadu za různých podmínek zjistili, že paměť není uložena pouze v izolovaných částech materiálu, ale je rozprostřena po celém těle. Tento poznatek je klíčový, protože naznačuje nové způsoby, jak navrhovat a vyrábět neuromorfní zařízení, která by mohla efektivněji a účinněji zpracovávat informace podobně jako lidský mozek.

Pokročilé neuromorfní výpočty

Na základě svých průlomových zjištění výzkumný tým již plánuje další fázi své práce. Vzhledem k tomu, že si osvojili schopnost pozorovat změny v neuromorfním materiálu, plánují dále experimentovat s lokální úpravou jeho vlastností. Zimmers vysvětluje potenciál tohoto přístupu: „To by nám mohlo umožnit vést elektrický proud přes specifické oblasti vzorku, kde je paměťový efekt maximální, a výrazně tak zlepšit synaptické chování tohoto neuromorfního materiálu.“

Tento směr otevírá vzrušující možnosti pro budoucnost neuromorfních počítačů. Zdokonalením kontroly a manipulace s těmito materiály se výzkumníci snaží vytvořit účinnější a účinnější neuromorfní zařízení. Takový pokrok by mohl vést k hardwaru schopnému blíže emulovat složitosti lidského mozku, čímž by se otevřela cesta pro sofistikovanější a energeticky účinnější systémy umělé inteligence.