Intel’s Nieuwe Neuromorfische Chips zijn 1.000 Keer Sneller dan Normale CPUs

Intel’s nieuwe systeem met de codenaam Pohoiki Beach zal te zien zijn op de Consumer Electronics Show (CES) in Las Vegas. Het apparaat is gebouwd uit 64 Loihi-onderzoekschips en het doel is om het te laten simuleren hoe de menselijke hersenen leren en energieficiënt zijn. Deze neuromorfische chips zijn een vereenvoudigde versie van de manier waarop neuronen en synapsen in de hersenen functioneren. 

Rich Uhlig, managing director van Intel Labs, sprak over de nieuwe technologie. 

“We zijn onder de indruk van de vroege resultaten die zijn aangetoond toen we Loihi schalen om krachtigere neuromorfische systemen te creëren. Pohoiki Beach zal nu beschikbaar zijn voor meer dan 60 ecosysteempartners, die dit gespecialiseerde systeem zullen gebruiken om complexe, rekenintensieve problemen op te lossen.” 

De nieuwe AI-neuromorfische chip kan gegevensverwerkingsTaken 1.000 keer sneller uitvoeren dan normale processors zoals CPUs en GPUs, en gebruikt veel minder stroom. 

De manier waarop het is gebaseerd op hersen-neuronen is niet iets geheel nieuws. Veel AI-algoritmes simuleren neurale netwerken in hun programma’s. Ze gebruiken parallelle verwerking voor het herkennen van objecten in afbeeldingen en woorden in spraak. De nieuwe neuromorfische chips plaatsen deze neurale netwerken in silicium. Terwijl ze minder flexibel en krachtig zijn dan sommige van de beste algemene doel-chips, presteren ze echt wanneer ze zijn gespecialiseerd in specifieke taken. De nieuwe AI-chip van Intel is 10.000 keer efficiënter dan algemene processors. Omdat ze zo energieficiënt zijn, zal de technologie ideaal zijn voor mobiele apparaten, voertuigen, industriële apparatuur, cybersecurity en slimme huizen. AI-onderzoekers zijn al begonnen met het gebruik van het systeem voor dingen zoals het verbeteren van prothese-ledematen zodat ze beter kunnen aanpassen aan oneffen terrein, evenals het creëren van digitale kaarten die kunnen worden gebruikt door zelfrijdende auto’s. 

Chris Eliasmith, co-CEO van Applied Brain Research en professor aan de University of Waterloo, is een van de verschillende onderzoekers die de nieuwe technologie gebruiken. 

“Met de Loihi-chip zijn we in staat geweest om te demonstreren 109 keer lagere stroomverbruik bij het uitvoeren van een real-time deep learning-benchmark in vergelijking met een GPU, en 5 keer lagere stroomverbruik in vergelijking met gespecialiseerde IoT-interfacehardware…Nog beter, wanneer we het netwerk schalen met 50 keer, behoudt Loihi real-time prestaties en gebruikt slechts 30 procent meer stroom, terwijl de IoT-hardware 500 procent meer stroom gebruikt en niet langer real-time is,” zei Chris Eliasmith. 

Konstantinos Michmizos is een professor aan de Rutgers University, en zijn lab doet werk met SLAM dat zal worden gepresenteerd op de International Conference on Intelligent Robots and Systems (IROS) in november. 

“Loihi stelde ons in staat om een spiking neurale netwerk te realiseren dat de onderliggende neurale representaties en gedrag van de hersenen imiteert. De SLAM-oplossing kwam voort uit de structuur van het netwerk. We hebben de Loihi-uitgevoerde netwerk getest en gevonden dat het even nauwkeurig was terwijl het 100 keer minder energie verbruikte dan een algemeen gebruikt CPU-uitgevoerd SLAM-methode voor mobiele robots,” zei hij. 

Op dit moment is Pohoiki Beach een systeem met 8 miljoen neuronen. Rich Uhlig, hoofd van Intel Labs, denkt dat het bedrijf in staat zal zijn om een systeem te creëren dat in staat is om 100 miljoen neuronen te simuleren tegen het einde van 2019. Deze nieuwe technologie zal kunnen worden gebruikt door onderzoekers voor een breed scala aan dingen, zoals het verbeteren van robotarmen. Deze nieuwe ontwikkelingen en onderzoek leiden tot wat waarschijnlijk de commercialisatie van neuromorfische technologie zal zijn. 

Volgens het bedrijf “zal Intel later dit jaar een nog groter Loihi-systeem introduceren met de naam Pohoiki Springs, dat voortbouwt op de Pohoiki Beach-architectuur om een ongekend niveau van prestaties en efficiëntie te bieden voor geschaalde neuromorfische workloads.”