Künstliches neuronales Netzwerk und Datenübertragung. 4X-Image / iStock
Als bemerkenswertes Produkt der Evolution hat das menschliche Gehirn einen Energie-Grundabdruck von etwa 20 Watt. Dies gibt dem Gehirn die Möglichkeit, komplexe Aufgaben in Millisekunden zu verarbeiten. Die heutigen CPUs und GPUs übertreffen das menschliche Gehirn bei seriellen Verarbeitungsaufgaben erheblichDer Prozess des Verschiebens von Daten vom Speicher zu einem Prozessor und zurück erzeugt eine Latenz und verbraucht außerdem enorme Mengen an Energie.
Neuromorphe Systeme versuchen, die Funktionsweise des menschlichen Nervensystems nachzuahmen. Dieses technische Gebiet versucht, die Struktur des Nervensystems der biologischen Wahrnehmung und Informationsverarbeitung nachzuahmen. Mit anderen Worten, das neuromorphe Rechnen implementiert Aspekte biologischer neuronaler Netze als analoge oder digitale Kopienelektronische Schaltkreise.
Neuromorphic Engineering: Entwickelt seit den 1980er Jahren
Neuromorphics sind in keiner Weise ein neues Konzept. Wie viele andere aufkommende Technologien, die gerade in Schwung kommen, sind Neuromorphics schon lange in der Entwicklung. Aber es war noch nicht ihre Zeit zu glänzen. Es musste noch mehr Arbeit geleistet werdengetan.
Vor über 30 Jahren, Ende der 1980er Jahre Professor Carver Mead Ein amerikanischer Wissenschaftler, Ingenieur und Pionier von Mikroprozessoren entwickelte das Konzept der neuromorphen Technik, auch als neuromorphes Computing bekannt.
Neuromorphic Engineering beschreibt die Verwendung von VLSI-Systemen Very Large Scale Integration, die elektronische analoge Schaltkreise enthalten. Diese Schaltkreise wurden so angeordnet, dass sie die im menschlichen Nervensystem vorhandenen neurobiologischen Architekturen nachahmen.
Neuromorphes Computing lässt sich vom menschlichen Gehirn inspirieren
Neuromorphes Computing lässt sich von der Architektur und Dynamik des menschlichen Gehirns inspirieren, um energieeffiziente Hardware für die Informationsverarbeitung zu erstellen, die hochentwickelte Aufgaben ermöglicht.
Neuromorphes Computing umfasst die Produktion und Verwendung neuronaler Netze. Es wurde vom menschlichen Gehirn inspiriert, um Computerchips zu entwickeln, die Speicher und Verarbeitung zusammenführen können. Im menschlichen Gehirn bieten Synapsen einen direkten Speicherzugriff auf dasNeuronen, die Informationen verarbeiten.
Elektrotechniker sind seit Jahrzehnten fasziniert von Biophysik und neuronaler Berechnung sowie von der Entwicklung praktischer Mixed-Signal-Schaltungen für künstliche neuronale Netze. Die Herausforderung besteht darin, in einem breiten Spektrum von Disziplinen zu arbeiten, die von Elektronengeräten bis hin zu Algorithmen reichen.Die praktische Nützlichkeit neuromorpher Systeme wird jedoch im Alltag genutzt, und dies allein macht den Aufwand wert.
Neuromorphes Rechnen: Warum es notwendig ist
"Künstliche Intelligenz KI benötigt neue Hardware, nicht nur neue Algorithmen. Wir befinden uns an einem Wendepunkt, an dem Moores Gesetz sein Ende erreicht und zu einer Stagnation der Leistung unserer Computer führt. Heutzutage generieren wir mehr und mehrmehr Daten, die gespeichert und klassifiziert werden müssen ", sagte Professor Dmitri Strukov ein Elektrotechniker an der University of California in Santa Barbara in einem Interview mit Nature Communications über die Chancen und Herausforderungen bei der Entwicklung von gehirninspirierten Technologien, nämlich neuromorphem Computing, auf die Frage, warum wir neuromorphes Computing benötigen.
Dmitri Strukov erklärt Nature Communications weiter, wie die jüngsten Fortschritte in der KI die Automatisierung dieses Prozesses ermöglichen. Rechenzentren vervielfachen sich und kosten exponentiell mehr Strom, was ein potenzielles Problem für unsere Umwelt darstellt. "Dieser Energieverbrauch ist hauptsächlichkommt vom Datenverkehr zwischen Speicher und Verarbeitungseinheiten, die in Computern getrennt sind ", sagte Strukov.
"Es verschwendet elektrische Energie und verlangsamt die Rechengeschwindigkeit erheblich. Die jüngsten Entwicklungen in der Nanotechnologie bieten die Möglichkeit, große Speichermengen der Verarbeitung nahe zu bringen oder noch besser, diesen Speicher direkt in die Verarbeitungseinheit zu integrieren, sagte Dmitri Strukov.
Laut Strukov besteht die Idee des neuromorphen Rechnens darin, sich vom Gehirn inspirieren zu lassen, um Computerchips zu entwerfen, die Speicher und Verarbeitung miteinander verbinden. Im Gehirn bieten Synapsen einen direkten Speicherzugriff auf die Neuronen, die Informationen verarbeiten. So funktioniert das Gehirnerzielt beeindruckende Rechenleistung und Geschwindigkeit bei sehr geringem Stromverbrauch. Durch die Nachahmung dieser Architektur bietet neuromorphes Computing einen Weg zum Aufbau intelligenter neuromorpher Chips, die sehr wenig Energie verbrauchen und in der Zwischenzeit schnell rechnen.
Neuromorphe Chips: Aufbau eines vom Gehirn inspirierten Computing
Für einige scheint es, dass neuromorphes Computing Teil einer fernen Zukunft ist. Die neuromorphe Technologie ist hier jedoch näher als Sie denken. Über Forschung und futuristische Spekulation hinaus hat Intels Neuromorphic Lab einen selbstlernenden neuromorphen Forschungschip entwickeltzunächst unter dem Codenamen ' Loihi ' ausgesprochen low-ee-hee . Loihi, Intels fünfter neuromorpher Chip, wurde im September 2017 als vorwiegend forschender Chip angekündigt. Seitdem hat er einen langen Weg zurückgelegt.
Als interessante verwandte Tatsache, Intels gewählter Name für den Chip, Lōʻihi, bedeutet 'Lang' auf Hawaiianisch und ist der neueste - manchmal als jüngster bezeichnete - aktive U-Boot-Vulkan in der Seamount-Kette Hawaiianisch-Kaiser, eine Reihe von Vulkanen, die sich etwa 6.200 km nordwestlich von Lōʻihi erstreckt.
Nun zurück zum Chip. Loihi ist ein neuromorpher Manycore-Prozessor mit On-Chip-Lernen. Intels 14-Nanometer-Loihi-Chip enthält über 2 Milliarden Transistoren, 130.000 künstliche Neuronen und 130 Millionen Synapsen.
Der Loihi-Chip integriert eine Vielzahl neuartiger Funktionen für das Gebiet, z. B. programmierbare synaptische Lernregeln. Laut Intel ist der neuromorphe Chip der Enabler für künstliche Intelligenz der nächsten Generation.
Die Zusammenfassung des Papiers Loihi: Ein neuromorpher Manycore-Prozessor mit On-Chip-Lernen veröffentlicht von IEEE Micro lautet :
„Loihi ist ein 60-mm-2-Chip, der im 14-nm-Prozess von Intel hergestellt wurde und die Modellierung von spikierenden neuronalen Netzen in Silizium auf dem neuesten Stand der Technik vorantreibt. Er integriert eine Vielzahl neuartiger Funktionen für das Gebiet, wie zHierarchische Konnektivität, dendritische Kompartimente, synaptische Verzögerungen und vor allem programmierbare synaptische Lernregeln. Mit einer spikierenden Faltungsform des lokal kompetitiven Algorithmus kann Loihi LASSO-Optimierungsprobleme mit einem im Vergleich zu über drei Größenordnungen überlegenen Energieverzögerungsprodukt lösenkonventionelle Löser, die auf einem CPU-Isoprozess / Spannung / Bereich ausgeführt werden. Dies ist ein eindeutiges Beispiel für eine spitzenbasierte Berechnung, die alle bekannten konventionellen Lösungen übertrifft. “
Die Zukunft des neuromorphen Rechnens
Zuletzt Intel und Sandia Nationale Laboratorien unterzeichneten drei Jahre Vereinbarung um den Wert des neuromorphen Rechnens für vergrößerte Probleme der künstlichen Intelligenz zu untersuchen.
Laut Intel wird Sandia seine Forschung mit einem 50-Millionen-Neuron-Loihi-basierten System beginnen, das an seine Einrichtung in Albuquerque, New Mexico, geliefert wurde. Diese erste Zusammenarbeit mit Loihi wird den Grundstein für die spätere Phase desZusammenarbeit, die voraussichtlich eine umfassende groß angelegte neuromorphe Forschung zu Intels neuer neuromorpher Architektur der nächsten Generation und die Bereitstellung von Intels größtem neuromorphen Forschungssystem bis heute umfassen wird, dessen Rechenkapazität mehr als 1 Milliarde Neuronen überschreiten könnte.
Nach der Veröffentlichung der Vereinbarung sagte Mike Davies, Direktor des Intel Neuromorphic Computing Lab: „Durch die Anwendung der Hochgeschwindigkeits-, Hocheffizienz- und Anpassungsfähigkeiten der Neuromorphic Computing-Architektur werden die Sandia National Labs die Beschleunigung von Hoch untersuchen- Wir fordern eine sich häufig entwickelnde Arbeitslast, die für unsere nationale Sicherheit immer wichtiger wird. Wir freuen uns auf eine produktive Zusammenarbeit, die zur nächsten Generation neuromorpher Werkzeuge, Algorithmen und Systeme führt, die auf die Ebene von Milliarden Neuronen und darüber hinaus skaliert werden können. "
Offensichtlich gibt es große Erwartungen an das, was die neuromorphe Technologie verspricht. Während sich die meisten neuromorphen Forschungen bis heute auf das Versprechen der Technologie für Edge-Use-Cases konzentriert haben, zeigen neue Entwicklungen, dass neuromorphes Computing auch einen Wert für große, komplexe Rechenprobleme bieten kannerfordern Echtzeitverarbeitung, Problemlösung, Anpassung und grundlegendes Lernen.
Intel als führendes Unternehmen in der neuromorphen Forschung erforscht dieses Potenzial aktiv, indem es ein 100-Millionen-Neuronensystem freigibt. Pohoiki Springs , zum Intel Neuromorphic Research Community INRC. Erste Untersuchungen an Pohoiki Springs zeigen, wie durch neuromorphes Computing im Vergleich zu modernen CPUs eine um bis zu vier Größenordnungen bessere Energieeffizienz für die Erfüllung von Einschränkungen erzielt werden kann - ein Standardproblem bei Hochleistungsrechnern.
Eines der Ziele der gemeinsamen Bemühungen besteht darin, besser zu verstehen, wie aufkommende Technologien wie das neuromorphe Computing als Instrument zur Bewältigung einiger der derzeit dringendsten wissenschaftlichen und technischen Herausforderungen eingesetzt werden können.
Zu diesen Herausforderungen gehören Probleme im Bereich des wissenschaftlichen Rechnens, der Bekämpfung der Verbreitung, der Terrorismusbekämpfung, der Energieversorgung und der nationalen Sicherheit. Die Möglichkeiten sind vielfältig und möglicherweise unbegrenzt. Wie wir sehen können, gibt es mehr Anwendungen, als man zu Beginn gedacht hätte.
Fortschrittliche Forschung im Bereich des skalierten neuromorphen Rechnens ist an dieser Stelle von größter Bedeutung, um festzustellen, wo diese Systeme am effektivsten sind und wie sie einen realen Wert liefern können. Für den Anfang wird diese bevorstehende neue Forschung die Skalierung von bewerteneine Vielzahl von Spitzenlasten von neuronalen Netzen, von der Physikmodellierung über die Graphanalyse bis hin zu großen tiefen Netzwerken.
Laut Intel sind diese Art von Problemen nützlich für die Durchführung wissenschaftlicher Simulationen wie die Modellierung von Partikelwechselwirkungen in Flüssigkeiten, Plasmen und Materialien. Darüber hinaus müssen diese Physiksimulationen zunehmend Fortschritte in den Bereichen Optimierung, Datenwissenschaft und fortgeschrittene Fähigkeiten des maschinellen Lernens nutzenum die richtigen Lösungen zu finden.
Dementsprechend können potenzielle Anwendungen für diese Workloads das Verhalten von Materialien simulieren, Muster und Beziehungen in Datensätzen finden und zeitliche Ereignisse aus Sensordaten analysieren. Wir können sagen, dass dies nur der Anfang ist. Es bleibt abzuwarten, was real ist-Lebensanwendungen werden entstehen.
Neuromorphic Engineering: Ethische Überlegungen
Die Tatsache, dass neuromorphe Systeme das menschliche Gehirn nachahmen sollen, wirft wichtige ethische Fragen auf. Neuromorphe Chips, die in der künstlichen Intelligenz verwendet werden, haben in der Tat mehr mit der menschlichen Wahrnehmung zu tun als mit der herkömmlichen Computerlogik.
Welche Wahrnehmungen, Einstellungen und Implikationen kann dies in Zukunft bringen wenn ein Mensch im Raum auf eine Maschine trifft das hat mehr Ähnlichkeiten in seinen neuronalen Netzen zu den neuronalen Netzen eines Menschen als zu einem Mikroprozessor?
Während die neuromorphe Technologie noch in den Kinderschuhen steckt, schreitet das Feld rasant voran. In naher Zukunft werden kommerziell erhältliche neuromorphe Chips höchstwahrscheinlich Auswirkungen auf Edge-Geräte, Robotik und IoT-Systeme Internet of Things habenauf dem Weg zu miniaturisierten Chips mit geringem Stromverbrauch, die ableiten können und in Echtzeit lernen In der Tat können wir im Bereich des neuromorphen Rechnens aufregende Zeiten erwarten.
Verwandte Artikel :
Ingenieure setzen Tausende künstlicher Gehirnsynapsen auf einen einzigen Chip
Forscher schalten den größten neuromorphen Supercomputer der Welt ein
Intel entwickelt einen KI-Chip, der sich wie ein menschliches Gehirn verhält
Intel stellt auf der CES 2018 seinen neuen supraleitenden Quantenchip mit 49 Qubit vor
Künstliche Intelligenz entwickelt sich, um die Welt wie Menschen zu verarbeiten