Nowe chipy neuromorficzne firmy Intel są 1,000 razy szybsze niż zwykłe procesory

Nowy system Intela o nazwie kodowej Pohoiki Beach zostanie zaprezentowany na targach Consumer Electronics Show (CES) w Las Vegas. Urządzenie zbudowane jest z 64 chipów badawczych Loihi, a jego celem jest symulowanie ludzkiego mózgu pod względem zdolności uczenia się i efektywności energetycznej. Te neuromorficzne chipy są prostszą wersją sposobu funkcjonowania neuronów i synaps w mózgu. 

O nowej technologii wypowiadał się Rich Uhlig, dyrektor zarządzający Intel Labs. 

„Jesteśmy pod wrażeniem wczesnych wyników uzyskanych podczas skalowania Loihi w celu stworzenia potężniejszych systemów neuromorficznych. Plaża Pohoiki będzie teraz dostępna dla ponad 60 partnerów ekosystemowych, którzy będą używać tego wyspecjalizowanego systemu do rozwiązywania złożonych problemów wymagających dużej mocy obliczeniowej”. 

Nowy neuromorficzny układ AI może wykonywać zadania przetwarzania danych 1,000 razy szybciej niż zwykłe procesory, takie jak procesory i karty graficzne, zużywając przy tym znacznie mniej energii. 

Sposób, w jaki opiera się na neuronach mózgu, nie jest czymś zupełnie nowym. Wiele algorytmów AI symuluje w swoich programach sieci neuronowe. Wykorzystują przetwarzanie równoległe do rozpoznawania obiektów w obrazach i słów w mowie. Nowe chipy neuromorficzne umieszczają te sieci neuronowe w krzemie. Chociaż są mniej elastyczne i wydajne niż niektóre z najlepszych chipów ogólnego przeznaczenia, naprawdę sprawdzają się, gdy są wyspecjalizowane w konkretnych zadaniach. Nowy układ AI firmy Intel jest 10,000 XNUMX razy wydajniejszy niż zwykłe procesory. Ponieważ są tak energooszczędne, technologia ta będzie idealna dla urządzeń mobilnych, pojazdów, sprzętu przemysłowego, cyberbezpieczeństwa i inteligentnych domów. Badacze zajmujący się sztuczną inteligencją zaczęli już wykorzystywać ten system do ulepszania protez kończyn, aby mogły lepiej dostosować się do nierównego podłoża, a także do tworzenia cyfrowych map do wykorzystania przez samochody autonomiczne. 

Chris Eliasmith, współdyrektor generalny Applied Brain Research i profesor na Uniwersytecie Waterloo, jest jednym z kilku badaczy korzystających z nowej technologii. 

„Dzięki chipowi Loihi byliśmy w stanie wykazać 109 razy niższe zużycie energii w czasie rzeczywistym głęboka nauka w porównaniu do procesora graficznego i 5 razy niższe zużycie energii w porównaniu ze specjalistycznym sprzętem interfejsu IoT… Jeszcze lepiej, ponieważ skalujemy sieć 50-krotnie, Loihi utrzymuje wyniki wydajności w czasie rzeczywistym i zużywa tylko 30 procent więcej energii, podczas gdy IoT sprzęt zużywa o 500 procent więcej energii i nie działa już w czasie rzeczywistym” – powiedział Chris Eliasmith. 

Konstantinos Michmizos jest profesorem na Uniwersytecie Rutgers, a jego laboratorium współpracuje z SLAM, co zostanie zaprezentowane podczas Międzynarodowej Konferencji na temat Inteligentnych Robotów i Systemów (IROS) w listopadzie. 

„Loihi pozwolił nam stworzyć sieć neuronową o impulsowym działaniu, która imituje podstawowe reprezentacje i zachowanie neuronowe mózgu. Rozwiązanie SLAM pojawiło się jako właściwość struktury sieci. Przeprowadziliśmy testy porównawcze sieci opartej na Loihi i stwierdziliśmy, że jest ona równie dokładna, a jednocześnie zużywa 100 razy mniej energii niż powszechnie stosowana metoda SLAM uruchamiana przez procesor w przypadku robotów mobilnych” – powiedział. 

W tej chwili plaża Pohoiki to system składający się z 8 milionów neuronów. Rich Uhlig, szef Intel Labs, uważa, że ​​do końca 100 roku firmie uda się stworzyć system, który będzie w stanie symulować 2019 milionów neuronów. Ta nowa technologia będzie mogła być wykorzystywana przez badaczy do wielu różnych celów takie jak ulepszenie ramion robotów. Te nowe osiągnięcia i badania prowadzą do prawdopodobnie komercjalizacji technologii neuromorficznej. 

Według firmy: „Jeszcze w tym roku Intel wprowadzi jeszcze większy system Loihi o nazwie Pohoiki Springs, który będzie oparty na architekturze Pohoiki Beach, aby zapewnić niespotykany dotąd poziom wydajności i efektywności w przypadku skalowanych obciążeń neuromorficznych”.