Neuromorfinis skaičiavimas: kaip smegenų įkvėpti lustai keičia dirbtinį intelektą ir ne tik

Dešimtmečius skaitmeninės pažangos variklis buvo tradicinis kompiuteris – logikos ir greičio stebuklas. Tačiau, nepaisant visos jo galios, jis nublanksta prieš trijų svarų visatą mūsų kaukolėse. Žmogaus smegenys atlieka atpažinimo, mokymosi ir prisitaikymo žygdarbius, sunaudodamos mažiau energijos nei standartinė elektros lemputė. Šis stulbinantis efektyvumo skirtumas įkvėpė naują skaičiavimo ribą: neuromorfinį skaičiavimą. Tai radikalus nukrypimas nuo įprastos kompiuterių architektūros, kurio tikslas – ne tik paleisti DI programinę įrangą, bet ir sukurti aparatinę įrangą, kuri iš esmės mąsto ir apdoroja informaciją kaip smegenys.

Šis tinklaraščio įrašas bus jūsų išsamus vadovas po šią jaudinančią sritį. Mes išaiškinsime smegenų įkvėptų lustų koncepciją, išnagrinėsime pagrindinius principus, dėl kurių jie yra tokie galingi, apžvelgsime novatoriškus projektus visame pasaulyje ir pažvelgsime į ateities taikymus, kurie galėtų iš naujo apibrėžti mūsų santykį su technologijomis.

Kas yra neuromorfinis skaičiavimas? Architektūros paradigmos kaita

Iš esmės, neuromorfinis skaičiavimas – tai kompiuterių inžinerijos metodas, kai lusto fizinė architektūra modeliuojama pagal biologinių smegenų struktūrą. Tai iš esmės skiriasi nuo šiandieninio DI, kuris veikia įprastoje aparatinėje įrangoje. Pagalvokite apie tai taip: skrydžio simuliatorius jūsų nešiojamajame kompiuteryje gali imituoti skrydžio patirtį, bet jis niekada nebus tikras lėktuvas. Panašiai, šiandieniniai giluminio mokymosi modeliai programinėje įrangoje imituoja neuroninius tinklus, tačiau jie veikia aparatinėje įrangoje, kuri jiems nebuvo sukurta. Neuromorfinis skaičiavimas – tai lėktuvo konstravimas.

Von Neumanno kliūties įveikimas

Norėdami suprasti, kodėl šis pokytis yra būtinas, pirmiausia turime pažvelgti į esminį beveik kiekvieno kompiuterio, sukurto nuo XX amžiaus 5-ojo dešimtmečio, apribojimą: Von Neumanno architektūrą. Ši konstrukcija atskiria centrinį procesorių (CPU) nuo atminties bloko (RAM). Duomenys turi nuolat keliauti pirmyn ir atgal tarp šių dviejų komponentų per duomenų magistralę.

Ši nuolatinė spūstis, žinoma kaip Von Neumanno kliūtis, sukuria dvi pagrindines problemas:

• Delsa: Laikas, reikalingas duomenims gauti, lėtina apdorojimo greitį.
• Energijos suvartojimas: Duomenų perkėlimas sunaudoja milžinišką kiekį energijos. Iš tiesų, šiuolaikiniuose lustuose duomenų judėjimas gali pareikalauti daug daugiau energijos nei pats skaičiavimas.

Priešingai, žmogaus smegenys tokios kliūties neturi. Jų apdorojimas (neuronai) ir atmintis (sinapsės) yra iš esmės susiję ir masiškai paskirstyti. Informacija apdorojama ir saugoma toje pačioje vietoje. Neuromorfinė inžinerija siekia atkartoti šį elegantišką ir efektyvų dizainą silicyje.

Statybiniai blokai: neuronai ir sinapsės silicyje

Norėdami sukurti smegenis primenantį lustą, inžinieriai tiesiogiai įkvėpimo semiasi iš pagrindinių jo komponentų ir komunikacijos metodų.

Biologinis įkvėpimas: neuronai, sinapsės ir smaigaliai

• Neuronai: Tai pagrindinės smegenų apdorojimo ląstelės. Neuronas gauna signalus iš kitų neuronų, juos integruoja ir, jei pasiekiama tam tikra riba, jis „suveikia“, siųsdamas savo signalą toliau.
• Sinapsės: Tai jungtys tarp neuronų. Svarbiausia, kad sinapsės nėra tik paprasti laidai; jos turi stiprumą, arba „svorį“, kuris laikui bėgant gali būti keičiamas. Šis procesas, žinomas kaip sinapsinis plastiškumas, yra biologinis mokymosi ir atminties pagrindas. Stipresnė jungtis reiškia, kad vienas neuronas turi didesnę įtaką kitam.
• Smaigaliai: Neuronai bendrauja naudodami trumpus elektrinius impulsus, vadinamus veikimo potencialais, arba „smaigaliais“. Informacija koduojama ne grynuoju įtampos lygiu, o šių smaigalių laiku ir dažniu. Tai retas ir efektyvus būdas perduoti duomenis – neuronas siunčia signalą tik tada, kai turi ką svarbaus pasakyti.

Nuo biologijos iki aparatinės įrangos: SNT ir dirbtiniai komponentai

Neuromorfiniai lustai šias biologines sąvokas paverčia elektroninėmis grandinėmis:

• Dirbtiniai neuronai: Tai mažos grandinės, sukurtos imituoti biologinių neuronų elgesį, dažnai naudojant „integruok ir sužadink“ modelį. Jie kaupia gaunamus elektrinius signalus (krūvį) ir, kai jų vidinė įtampa pasiekia nustatytą ribą, iššauna skaitmeninį impulsą (smaigalį).
• Dirbtinės sinapsės: Tai atminties elementai, jungiantys dirbtinius neuronus. Jų funkcija – saugoti sinapsinį svorį. Pažangiuose projektuose naudojami komponentai, tokie kaip memristoriai – rezistoriai su atmintimi, kurių elektrinė varža gali būti keičiama, siekiant atspindėti jungties stiprumą, taip įgalinant mokymąsi pačiame luste.
• Smailių neuroniniai tinklai (SNT): Skaičiavimo modelis, veikiantis šioje aparatinėje įrangoje, vadinamas smailių neuroniniu tinklu. Skirtingai nuo dirbtinių neuroninių tinklų (DNT), naudojamų pagrindiniame giluminiame mokymesi, kurie apdoroja duomenis masyviomis, statiškomis partijomis, SNT yra dinamiški ir įvykiais pagrįsti. Jie apdoroja informaciją, kai ji gaunama, po vieną smaigalį, todėl jie iš prigimties geriau tinka apdoroti realaus pasaulio, laiko atžvilgiu kintančius duomenis iš jutiklių.

Pagrindiniai neuromorfinės architektūros principai

Biologinių koncepcijų pavertimas siliciu pagimdė keletą esminių principų, kurie neuromorfinius lustus išskiria iš jų tradicinių atitikmenų.

1. Masyvus lygiagretumas ir paskirstymas

Smegenys veikia su maždaug 86 milijardais neuronų, dirbančių lygiagrečiai. Neuromorfiniai lustai tai atkuria naudodami daugybę paprastų, mažos galios apdorojimo branduolių (dirbtinių neuronų), kurie visi veikia vienu metu. Vietoj vieno ar kelių galingų branduolių, atliekančių viską nuosekliai, užduotys paskirstomos tūkstančiams ar milijonams paprastų procesorių.

2. Įvykiais pagrįstas asinchroninis apdorojimas

Tradicinius kompiuterius valdo globalus laikrodis. Su kiekvienu taktu kiekviena procesoriaus dalis atlieka operaciją, nepriklausomai nuo to, ar ji reikalinga, ar ne. Tai neįtikėtinai švaistūniška. Neuromorfinės sistemos yra asinchroninės ir įvykiais pagrįstos. Grandinės aktyvuojamos tik tada, kai atkeliauja smaigalys. Šis „skaičiuok tik tada, kai būtina“ metodas yra pagrindinis jų nepaprasto energijos vartojimo efektyvumo šaltinis. Analogija būtų apsaugos sistema, kuri įrašo tik tada, kai aptinka judesį, palyginti su ta, kuri įrašo nuolat 24/7. Pirmoji sutaupo milžinišką kiekį energijos ir saugyklos vietos.

3. Atminties ir apdorojimo bendras išdėstymas

Kaip aptarta, neuromorfiniai lustai tiesiogiai sprendžia Von Neumanno kliūties problemą, integruodami atmintį (sinapses) su apdorojimu (neuronais). Šiose architektūrose procesoriui nereikia gauti duomenų iš tolimo atminties banko. Atmintis yra čia pat, įdiegta apdorojimo struktūroje. Tai drastiškai sumažina delsą ir energijos suvartojimą, todėl jie idealiai tinka realaus laiko programoms.

4. Įgimtas atsparumas gedimams ir plastiškumas

Smegenys yra nepaprastai atsparios. Jei miršta keli neuronai, visa sistema nesugriūva. Paskirstyta ir lygiagreti neuromorfinių lustų prigimtis suteikia panašų tvirtumą. Kelių dirbtinių neuronų gedimas gali šiek tiek pabloginti našumą, bet nesukels katastrofiško gedimo. Be to, pažangios neuromorfinės sistemos apima mokymąsi pačiame luste, leidžiantį tinklui pritaikyti savo sinapsinius svorius reaguojant į naujus duomenis, lygiai taip pat, kaip biologinės smegenys mokosi iš patirties.

Pasaulinės lenktynės: svarbiausi neuromorfiniai projektai ir platformos

Neuromorfinio skaičiavimo pažadas sukėlė pasaulines inovacijų lenktynes, kuriose pirmaujančios mokslinių tyrimų institucijos ir technologijų gigantai kuria savo smegenų įkvėptas platformas. Štai keletas ryškiausių pavyzdžių:

„Intel“ Loihi ir Loihi 2 (Jungtinės Valstijos)

„Intel Labs“ buvo pagrindinė jėga šioje srityje. Pirmasis jos mokslinių tyrimų lustas, Loihi, pristatytas 2017 m., turėjo 128 branduolius, simuliuojančius 131 000 neuronų ir 130 milijonų sinapsių. Jo įpėdinis, Loihi 2, yra didelis žingsnis į priekį. Viename luste telpa iki milijono neuronų, jis pasižymi didesniu našumu ir lankstesniais bei programuojamais neuronų modeliais. Pagrindinė „Loihi“ šeimos savybė yra mokymosi pačiame luste palaikymas, leidžiantis SNT prisitaikyti realiuoju laiku neprisijungus prie serverio. „Intel“ suteikė galimybę naudotis šiais lustais pasaulinei tyrėjų bendruomenei per „Intel“ neuromorfinių tyrimų bendruomenę (INRC), skatindama akademinės bendruomenės ir pramonės bendradarbiavimą.

SpiNNaker projektas (Jungtinė Karalystė)

Sukurtas Mančesterio universitete ir finansuojamas Europos „Human Brain Project“, SpiNNaker (Spiking Neural Network Architecture) laikosi kitokio požiūrio. Jo tikslas nebūtinai yra sukurti biologiškai realistiškiausią neuroną, bet sukurti masiškai lygiagrečią sistemą, galinčią realiuoju laiku simuliuoti milžiniškus SNT. Didžiausią „SpiNNaker“ mašiną sudaro daugiau nei milijonas ARM procesorių branduolių, visi sujungti taip, kad imituotų smegenų jungiamumą. Tai galingas įrankis neuromokslininkams, siekiantiems modeliuoti ir suprasti smegenų funkcijas dideliu mastu.

IBM TrueNorth (Jungtinės Valstijos)

Vienas iš ankstyviausių pionierių šiuolaikinėje neuromorfinės aparatinės įrangos eroje, IBM TrueNorth lustas, pristatytas 2014 m., buvo reikšmingas pasiekimas. Jame buvo 5,4 milijardo tranzistorių, sudarančių milijoną skaitmeninių neuronų ir 256 milijonus sinapsių. Nuostabiausia jo savybė buvo energijos suvartojimas: jis galėjo atlikti sudėtingas modelių atpažinimo užduotis, sunaudodamas tik dešimtis milivatų – eilėmis mažiau nei įprastas GPU. Nors „TrueNorth“ buvo labiau fiksuota tyrimų platforma be mokymosi pačiame luste, ji įrodė, kad smegenų įkvėptas, mažos galios skaičiavimas dideliu mastu yra įmanomas.

Kitos pasaulinės pastangos

Lenktynės yra išties tarptautinės. Tyrėjai Kinijoje sukūrė lustus, tokius kaip Tianjic, kuris hibridinėje architektūroje palaiko tiek į kompiuterių mokslą orientuotus neuroninius tinklus, tiek į neuromokslą orientuotus SNT. Vokietijoje, BrainScaleS projektas Heidelbergo universitete sukūrė fizinio modelio neuromorfinę sistemą, kuri veikia pagreitintu greičiu, leidžiančiu simuliuoti mėnesių trukmės biologinio mokymosi procesus vos per kelias minutes. Šie įvairūs, pasauliniai projektai iš skirtingų pusių stumia įmanomo ribas.

Taikymas realiame pasaulyje: kur matysime smegenų įkvėptus lustus?

Neuromorfinis skaičiavimas nėra skirtas pakeisti tradicinių CPU ar GPU, kurie puikiai atlieka didelio tikslumo matematinius skaičiavimus ir grafikos atvaizdavimą. Vietoj to, jis veiks kaip specializuotas koprocesorius, naujo tipo greitintuvas užduotims, kuriose smegenys yra nepralenkiamos: modelių atpažinimas, jutiminės informacijos apdorojimas ir adaptyvus mokymasis.

Periferinis skaičiavimas ir daiktų internetas (IoT)

Tai bene artimiausia ir didžiausią poveikį turinti taikymo sritis. Dėl itin didelio neuromorfinių lustų energijos vartojimo efektyvumo jie puikiai tinka baterijomis maitinamiems įrenginiams tinklo „periferijoje“. Įsivaizduokite:

• Išmanieji jutikliai: Pramoniniai jutikliai, kurie gali patys analizuoti vibracijas, kad numatytų mašinų gedimą, nesiųsdami neapdorotų duomenų į debesį.
• Dėvimi sveikatos stebėjimo prietaisai: Medicinos prietaisas, kuris nuolat realiuoju laiku analizuoja EKG ar EEG signalus, kad aptiktų anomalijas, ir veikia mėnesius su maža baterija.
• Išmaniosios kameros: Apsaugos ar laukinės gamtos stebėjimo kameros, kurios gali atpažinti konkrečius objektus ar įvykius ir perduoti tik svarbius įspėjimus, dramatiškai sumažindamos pralaidumą ir energijos sąnaudas.

Robotika ir autonominės sistemos

Robotams ir dronams reikalingas realaus laiko kelių jutiminių srautų (vaizdo, garso, lytėjimo, lidaro) apdorojimas, kad jie galėtų naviguoti ir sąveikauti dinamiškame pasaulyje. Neuromorfiniai lustai idealiai tinka šiam jutiminiam susiliejimui, leidžiančiam greitai, su maža delsa valdyti ir prisitaikyti. Neuromorfine technologija aprūpintas robotas galėtų intuityviau išmokti suimti naujus daiktus arba sklandžiau ir efektyviau naršyti netvarkingame kambaryje.

Moksliniai tyrimai ir simuliacija

Platformos, tokios kaip „SpiNNaker“, jau yra neįkainojami įrankiai skaičiuojamojoje neuromokslų srityje, leidžiantys tyrėjams tikrinti hipotezes apie smegenų funkcijas kuriant didelio masto modelius. Be neuromokslų, gebėjimas greitai spręsti sudėtingas optimizavimo problemas galėtų paspartinti vaistų atradimą, medžiagų mokslą ir pasaulinių tiekimo grandinių logistikos planavimą.

Naujos kartos DI

Neuromorfinė aparatinė įranga atveria duris naujoms DI galimybėms, kurias sunku pasiekti su įprastomis sistemomis. Tai apima:

• Vieno bandymo ir nuolatinis mokymasis: Gebėjimas mokytis iš vieno pavyzdžio ir nuolat prisitaikyti prie naujos informacijos, nereikalaujant visiško perkvalifikavimo nuo nulio – biologinio intelekto požymis.
• Kombinatorinių optimizavimo problemų sprendimas: Problemos su didžiuliu galimų sprendimų skaičiumi, tokios kaip „keliaujančio pirklio problema“, natūraliai tinka lygiagrečiai, dinamiškai SNT prigimčiai.
• Triukšmui atsparus apdorojimas: SNT iš prigimties yra atsparesni triukšmingiems ar neišsamiems duomenims, panašiai kaip jūs galite atpažinti draugo veidą net esant prastam apšvietimui ar iš keisto kampo.

Iššūkiai ir kelias į priekį

Nepaisant milžiniško potencialo, kelias į platų neuromorfinių technologijų pritaikymą nėra be kliūčių. Ši sritis vis dar bręsta, ir reikia išspręsti keletą pagrindinių iššūkių.

Programinės įrangos ir algoritmų atotrūkis

Didžiausia kliūtis yra programinė įranga. Dešimtmečius programuotojai buvo mokomi mąstyti nuoseklia, laikrodžiu pagrįsta Von Neumanno mašinų logika. Programuoti įvykiais pagrįstą, asinchroninę, lygiagrečią aparatinę įrangą reikalauja visiškai naujo mąstymo, naujų programavimo kalbų ir naujų algoritmų. Aparatinė įranga sparčiai tobulėja, tačiau programinės įrangos ekosistema, reikalinga jos visam potencialui atskleisti, vis dar yra kūdikystės stadijoje.

Mastelio didinimas ir gamyba

Šių labai sudėtingų, netradicinių lustų projektavimas ir gamyba yra didelis iššūkis. Nors tokios įmonės kaip „Intel“ naudoja pažangius gamybos procesus, prireiks laiko, kol šie specializuoti lustai taps tokie pat ekonomiški ir plačiai prieinami kaip įprastiniai CPU.

Lyginamoji analizė ir standartizavimas

Esant tiek daug skirtingų architektūrų, sunku palyginti našumą „obuoliais su obuoliais“. Bendruomenė turi sukurti standartizuotus lyginamuosius testus ir problemų rinkinius, kurie galėtų teisingai įvertinti skirtingų neuromorfinių sistemų stipriąsias ir silpnąsias puses, padėdami orientuotis tiek tyrėjams, tiek potencialiems naudotojams.

Išvada: nauja protingo ir tvaraus skaičiavimo era

Neuromorfinis skaičiavimas reiškia daugiau nei tik laipsnišką apdorojimo galios pagerinimą. Tai fundamentalus permąstymas, kaip kuriame protingas mašinas, semdamiesi įkvėpimo iš sudėtingiausio ir efektyviausio žinomo skaičiavimo įrenginio: žmogaus smegenų. Taikydami tokius principus kaip masyvus lygiagretumas, įvykiais pagrįstas apdorojimas ir atminties bei skaičiavimo bendras išdėstymas, smegenų įkvėpti lustai žada ateitį, kurioje galingas DI galės egzistuoti mažiausiuose, labiausiai energiją taupančiuose įrenginiuose.

Nors ateities kelyje laukia iššūkiai, ypač programinės įrangos srityje, pažanga yra neabejotina. Tikėtina, kad neuromorfiniai lustai nepakeis CPU ir GPU, kurie šiandien maitina mūsų skaitmeninį pasaulį. Vietoj to, jie juos papildys, sukurdami hibridinį skaičiavimo kraštovaizdį, kuriame kiekviena užduotis bus atliekama efektyviausiu tam darbui skirtu procesoriumi. Nuo išmanesnių medicinos prietaisų iki autonomiškesnių robotų ir gilesnio mūsų pačių proto supratimo – smegenų įkvėpto skaičiavimo aušra yra pasirengusi atverti naują protingos, efektyvios ir tvarios technologijos erą.