Neiromorfā skaitļošana: kā smadzeņu iedvesmotas mikroshēmas revolucionizē mākslīgo intelektu un ne tikai

Gadu desmitiem ilgi digitālās attīstības dzinējspēks ir bijis tradicionālais dators – loģikas un ātruma brīnums. Tomēr, neraugoties uz visu tā jaudu, tas nobāl salīdzinājumā ar pusotru kilogramu smago visumu mūsu galvaskausā. Cilvēka smadzenes veic atpazīšanas, mācīšanās un pielāgošanās varoņdarbus, patērējot mazāk enerģijas nekā standarta spuldze. Šī satriecošā efektivitātes atšķirība ir iedvesmojusi jaunu robežu skaitļošanā: neiromorfā skaitļošana. Tā ir radikāla atkāpe no tradicionālās datoru arhitektūras, kuras mērķis ir ne tikai palaist MI programmatūru, bet arī izveidot aparatūru, kas fundamentāli domā un apstrādā informāciju kā smadzenes.

Šis emuāra ieraksts kalpos kā jūsu visaptverošais ceļvedis šajā aizraujošajā jomā. Mēs demistificēsim smadzeņu iedvesmoto mikroshēmu koncepciju, izpētīsim pamatprincipus, kas padara tās tik jaudīgas, apskatīsim novatoriskos projektus visā pasaulē un ieskatīsimies nākotnes lietojumos, kas varētu no jauna definēt mūsu attiecības ar tehnoloģijām.

Kas ir neiromorfā skaitļošana? Paradigmas maiņa arhitektūrā

Savā būtībā neiromorfā skaitļošana ir pieeja datoru inženierijā, kurā mikroshēmas fiziskā arhitektūra ir veidota pēc bioloģisko smadzeņu struktūras parauga. Tas būtiski atšķiras no mūsdienu mākslīgā intelekta, kas darbojas uz tradicionālas aparatūras. Padomājiet par to šādi: lidojuma simulators jūsu klēpjdatorā var atdarināt lidošanas pieredzi, bet tas nekad nebūs īsta lidmašīna. Līdzīgi mūsdienu dziļās mācīšanās modeļi simulē neironu tīklus programmatūrā, bet tie darbojas uz aparatūras, kas tiem nav paredzēta. Neiromorfā skaitļošana ir par lidmašīnas būvēšanu.

Fon Neimaņa vājās vietas pārvarēšana

Lai saprastu, kāpēc šī pāreja ir nepieciešama, mums vispirms jāaplūko gandrīz katra kopš 20. gadsimta 40. gadiem būvētā datora fundamentālais ierobežojums: fon Neimaņa arhitektūra. Šis dizains atdala centrālo procesoru (CPU) no atmiņas bloka (RAM). Datiem ir nepārtraukti jāpārvietojas starp šiem diviem komponentiem pa datu maģistrāli.

Šis pastāvīgais sastrēgums, kas pazīstams kā fon Neimaņa vājā vieta, rada divas lielas problēmas:

• Latentums: Laiks, kas nepieciešams datu izgūšanai, palēnina apstrādes ātrumu.
• Enerģijas patēriņš: Datu pārvietošana patērē milzīgu daudzumu enerģijas. Patiesībā modernās mikroshēmās datu pārvietošana var būt daudz energoietilpīgāka nekā pati skaitļošana.

Cilvēka smadzenēm, pretēji, šādas vājās vietas nav. To apstrāde (neironi) un atmiņa (sinapses) ir cieši saistītas un masveidā izkliedētas. Informācija tiek apstrādāta un saglabāta tajā pašā vietā. Neiromorfā inženierija cenšas atdarināt šo eleganto, efektīvo dizainu silīcijā.

Būvelementi: Neironi un sinapses silīcijā

Lai izveidotu smadzenēm līdzīgu mikroshēmu, inženieri tieši iedvesmojas no tās galvenajiem komponentiem un komunikācijas metodēm.

Bioloģiskā iedvesma: Neironi, sinapses un smailes

• Neironi: Tās ir smadzeņu fundamentālās apstrādes šūnas. Neirons saņem signālus no citiem neironiem, integrē tos, un, ja tiek sasniegts noteikts slieksnis, tas "iedarbojas", nosūtot savu signālu tālāk.
• Sinapses: Tie ir savienojumi starp neironiem. Svarīgi ir tas, ka sinapses nav tikai vienkārši vadi; tām ir spēks jeb "svars", ko laika gaitā var mainīt. Šis process, kas pazīstams kā sinaptiskā plasticitāte, ir bioloģiskais pamats mācībām un atmiņai. Spēcīgāks savienojums nozīmē, ka vienam neironam ir lielāka ietekme uz nākamo.
• Smailes: Neironi sazinās, izmantojot īsus elektriskus impulsus, ko sauc par darbības potenciāliem jeb "smailēm". Informācija tiek kodēta nevis neapstrādātā sprieguma līmenī, bet gan šo smaiļu laika un biežuma ziņā. Tas ir rets un efektīvs datu pārraides veids – neirons nosūta signālu tikai tad, kad tam ir kaut kas svarīgs sakāms.

No bioloģijas līdz aparatūrai: SNN un mākslīgie komponenti

Neiromorfās mikroshēmas pārvērš šīs bioloģiskās koncepcijas elektroniskās shēmās:

• Mākslīgie neironi: Tās ir mazas shēmas, kas izstrādātas, lai atdarinātu bioloģisko neironu uzvedību, bieži izmantojot "integrē un iedarbina" modeli. Tie uzkrāj ienākošos elektriskos signālus (lādiņu) un iedarbina digitālu impulsu (smaili), kad to iekšējais spriegums sasniedz noteiktu slieksni.
• Mākslīgās sinapses: Tie ir atmiņas elementi, kas savieno mākslīgos neironus. To funkcija ir saglabāt sinaptisko svaru. Progresīvos dizainos tiek izmantoti tādi komponenti kā memristori – rezistori ar atmiņu, kuru elektrisko pretestību var mainīt, lai attēlotu savienojuma stiprumu, tādējādi nodrošinot mācīšanos pašā mikroshēmā.
• Smailes neironu tīkli (SNN): Skaitļošanas modelis, kas darbojas uz šīs aparatūras, tiek saukts par Smailes neironu tīklu. Atšķirībā no mākslīgajiem neironu tīkliem (ANN), ko izmanto galvenajā dziļajā mācīšanās, kuri apstrādā datus masīvās, statiskās partijās, SNN ir dinamiski un notikumu vadīti. Tie apstrādā informāciju, kad tā pienāk, pa vienai smailei, padarot tos pēc būtības piemērotākus reālā laika, laika datu apstrādei no sensoriem.

Neiromorfās arhitektūras pamatprincipi

Bioloģisko koncepciju pārvēršana silīcijā rada vairākus noteicošus principus, kas atšķir neiromorfās mikroshēmas no to tradicionālajiem līdziniekiem.

1. Masīvs paralēlisms un sadale

Smadzenes darbojas ar aptuveni 86 miljardiem neironu, kas strādā paralēli. Neiromorfās mikroshēmas to atkārto, izmantojot lielu skaitu vienkāršu, mazjaudas apstrādes kodolu (mākslīgo neironu), kas visi darbojas vienlaicīgi. Tā vietā, lai viens vai daži jaudīgi kodoli visu darītu secīgi, uzdevumi tiek sadalīti starp tūkstošiem vai miljoniem vienkāršu procesoru.

2. Notikumu vadīta asinhronā apstrāde

Tradicionālos datorus pārvalda globāls pulkstenis. Ar katru takti katra procesora daļa veic darbību, neatkarīgi no tā, vai tā ir nepieciešama vai nē. Tas ir neticami izšķērdīgi. Neiromorfās sistēmas ir asinhronas un notikumu vadītas. Shēmas tiek aktivizētas tikai tad, kad pienāk smaile. Šī "skaitļot tikai tad, kad nepieciešams" pieeja ir to neparastās energoefektivitātes galvenais avots. Analoģija ir drošības sistēma, kas ieraksta tikai tad, kad konstatē kustību, pretstatā tai, kas ieraksta nepārtraukti 24/7. Pirmā ietaupa milzīgu daudzumu enerģijas un krātuves.

3. Atmiņas un apstrādes vienuvietība

Kā jau minēts, neiromorfās mikroshēmas tieši risina fon Neimaņa vājo vietu, integrējot atmiņu (sinapses) ar apstrādi (neironiem). Šajās arhitektūrās procesoram nav jāizgūst dati no attāla atmiņas bankas. Atmiņa atrodas tieši tur, iestrādāta apstrādes audumā. Tas krasi samazina latentumu un enerģijas patēriņu, padarot tos ideālus reāllaika lietojumiem.

4. Iedzimta kļūmju tolerance un plasticitāte

Smadzenes ir ievērojami izturīgas. Ja daži neironi nomirst, visa sistēma nesabrūk. Neiromorfo mikroshēmu sadalītā un paralēlā daba nodrošina līdzīgu robustumu. Dažu mākslīgo neironu kļūme var nedaudz pasliktināt veiktspēju, bet neizraisīs katastrofālu neveiksmi. Turklāt progresīvās neiromorfās sistēmas ietver mācīšanos pašā mikroshēmā, ļaujot tīklam pielāgot savus sinaptiskos svarus, reaģējot uz jauniem datiem, tāpat kā bioloģiskās smadzenes mācās no pieredzes.

Globālās sacensības: Lielākie neiromorfie projekti un platformas

Neiromorfās skaitļošanas solījums ir izraisījis globālu inovāciju sacensību, kurā vadošās pētniecības iestādes un tehnoloģiju giganti izstrādā savas smadzeņu iedvesmotās platformas. Šeit ir daži no visievērojamākajiem piemēriem:

Intel Loihi un Loihi 2 (ASV)

Intel Labs ir bijis nozīmīgs spēks šajā jomā. Tā pirmā pētniecības mikroshēma, Loihi, kas tika ieviesta 2017. gadā, ietvēra 128 kodolus, simulējot 131 000 neironu un 130 miljonus sinapšu. Tās pēctecis, Loihi 2, ir ievērojams solis uz priekšu. Tas vienā mikroshēmā ietver līdz pat miljonam neironu, piedāvā ātrāku veiktspēju un ietver elastīgākus un programmējamākus neironu modeļus. Loihi saimes galvenā iezīme ir atbalsts mācībām pašā mikroshēmā, kas ļauj SNN pielāgoties reāllaikā, nepieslēdzoties serverim. Intel ir padarījis šīs mikroshēmas pieejamas globālai pētnieku kopienai, izmantojot Intel Neiromorfo pētījumu kopienu (INRC), veicinot sadarbību starp akadēmiskajām aprindām un nozari.

SpiNNaker projekts (Apvienotā Karaliste)

Izstrādāts Mančestras Universitātē un finansēts no Eiropas Cilvēka smadzeņu projekta, SpiNNaker (Spiking Neural Network Architecture) pieiet citādi. Tā mērķis nav obligāti izveidot bioloģiski visreālistiskāko neironu, bet gan radīt masveidā paralēlu sistēmu, kas spēj simulēt milzīgus SNN reāllaikā. Lielākā SpiNNaker mašīna sastāv no vairāk nekā miljona ARM procesoru kodolu, kas visi ir savstarpēji savienoti veidā, kas atdarina smadzeņu savienojamību. Tas ir spēcīgs rīks neirozinātniekiem, kuri vēlas modelēt un izprast smadzeņu funkcijas lielā mērogā.

IBM TrueNorth (ASV)

Viens no agrākajiem pionieriem modernajā neiromorfās aparatūras ērā, IBM TrueNorth mikroshēma, kas tika atklāta 2014. gadā, bija ievērojams sasniegums. Tā saturēja 5,4 miljardus tranzistoru, kas organizēti vienā miljonā digitālo neironu un 256 miljonos sinapšu. Tās pārsteidzošākā iezīme bija tās enerģijas patēriņš: tā spēja veikt sarežģītus rakstu atpazīšanas uzdevumus, patērējot tikai desmitiem milivatu – par kārtu mazāk nekā parasts GPU. Lai gan TrueNorth bija vairāk fiksēta pētniecības platforma bez mācīšanās mikroshēmā, tā pierādīja, ka smadzeņu iedvesmota, mazjaudas skaitļošana lielā mērogā ir iespējama.

Citi globālie centieni

Sacensība ir patiesi starptautiska. Pētnieki Ķīnā ir izstrādājuši tādas mikroshēmas kā Tianjic, kas hibrīdā arhitektūrā atbalsta gan uz datorzinātni orientētus neironu tīklus, gan uz neirozinātni orientētus SNN. Vācijā BrainScaleS projekts Heidelbergas Universitātē ir izstrādājis fiziska modeļa neiromorfo sistēmu, kas darbojas paātrinātā ātrumā, ļaujot tai simulēt mēnešiem ilgus bioloģiskos mācīšanās procesus tikai dažās minūtēs. Šie daudzveidīgie, globālie projekti paplašina iespējamā robežas no dažādiem leņķiem.

Reālās pasaules pielietojumi: Kur mēs redzēsim smadzeņu iedvesmotas mikroshēmas?

Neiromorfā skaitļošana nav paredzēta, lai aizstātu tradicionālos CPU vai GPU, kas izceļas ar augstas precizitātes matemātiku un grafikas renderēšanu. Tā vietā tā darbosies kā specializēts līdzprocesors, jauna veida paātrinātājs uzdevumiem, kuros izceļas smadzenes: rakstu atpazīšana, sensorā apstrāde un adaptīvā mācīšanās.

Malas skaitļošana un lietu internets (IoT)

Šī, iespējams, ir vissteidzamākā un ietekmīgākā pielietojuma joma. Neiromorfo mikroshēmu ārkārtējā energoefektivitāte padara tās ideāli piemērotas ar baterijām darbināmām ierīcēm tīkla "malā". Iedomājieties:

• Viedie sensori: Industriālie sensori, kas paši spēj analizēt vibrācijas, lai prognozētu mašīnas bojājumus, nesūtot neapstrādātus datus uz mākoni.
• Valkājami veselības monitori: Medicīnas ierīce, kas nepārtraukti analizē EKG vai EEG signālus reāllaikā, lai atklātu anomālijas, darbojoties mēnešiem ilgi ar niecīgu bateriju.
• Inteliģentās kameras: Drošības vai savvaļas kameras, kas spēj atpazīt konkrētus objektus vai notikumus un pārraidīt tikai attiecīgus brīdinājumus, krasi samazinot joslas platumu un enerģijas patēriņu.

Robotika un autonomās sistēmas

Robotiem un droniem ir nepieciešama vairāku sensoru plūsmu (redze, skaņa, pieskāriens, lidars) reāllaika apstrāde, lai orientētos un mijiedarbotos ar dinamisku pasauli. Neiromorfās mikroshēmas ir ideāli piemērotas šai sensoru sapludināšanai, nodrošinot ātru, zema latentuma vadību un pielāgošanos. Neiromorfi darbināts robots varētu intuitīvāk iemācīties satvert jaunus objektus vai plūdenāk un efektīvāk pārvietoties pārblīvētā telpā.

Zinātniskie pētījumi un simulācija

Platformas, piemēram, SpiNNaker, jau ir nenovērtējami rīki skaitļošanas neirozinātnē, ļaujot pētniekiem pārbaudīt hipotēzes par smadzeņu darbību, veidojot liela mēroga modeļus. Ārpus neirozinātnes spēja ātri atrisināt sarežģītas optimizācijas problēmas varētu paātrināt zāļu atklāšanu, materiālzinātni un loģistikas plānošanu globālajām piegādes ķēdēm.

Nākamās paaudzes MI

Neiromorfā aparatūra paver durvis jaunām MI spējām, kuras ir grūti sasniegt ar tradicionālajām sistēmām. Tas ietver:

• Mācīšanās no viena piemēra un nepārtrauktā mācīšanās: Spēja mācīties no viena piemēra un nepārtraukti pielāgoties jaunai informācijai, netiekot pilnībā pārkvalificētam no nulles — bioloģiskās inteliģences pazīme.
• Kombinatorisko optimizācijas problēmu risināšana: Problēmas ar milzīgu skaitu iespējamo risinājumu, piemēram, "ceļojošā pārdevēja problēma", dabiski atbilst SNN paralēlajai, dinamiskajai dabai.
• Pret troksni noturīga apstrāde: SNN pēc būtības ir izturīgāki pret trokšņainiem vai nepilnīgiem datiem, līdzīgi kā jūs varat atpazīt drauga seju pat sliktā apgaismojumā vai no neparasta leņķa.

Izaicinājumi un ceļš uz priekšu

Neskatoties uz tās milzīgo potenciālu, ceļš uz plašu neiromorfo tehnoloģiju ieviešanu nav bez šķēršļiem. Joma joprojām attīstās, un ir jārisina vairāki būtiski izaicinājumi.

Programmatūras un algoritmu plaisa

Vislielākais šķērslis ir programmatūra. Gadu desmitiem programmētāji ir mācīti domāt fon Neimaņa mašīnu secīgajā, uz pulksteni balstītajā loģikā. Notikumu vadītas, asinhronas, paralēlas aparatūras programmēšana prasa pilnīgi jaunu domāšanas veidu, jaunas programmēšanas valodas un jaunus algoritmus. Aparatūra strauji attīstās, bet programmatūras ekosistēma, kas nepieciešama, lai atraisītu tās pilno potenciālu, vēl ir tikai sākuma stadijā.

Mērogojamība un ražošana

Šo ļoti sarežģīto, netradicionālo mikroshēmu projektēšana un izgatavošana ir nopietns izaicinājums. Lai gan uzņēmumi, piemēram, Intel, izmanto progresīvus ražošanas procesus, šo specializēto mikroshēmu padarīšana par tikpat rentablām un plaši pieejamām kā tradicionālie CPU prasīs laiku.

Salīdzinošā novērtēšana un standartizācija

Ar tik daudzām dažādām arhitektūrām ir grūti salīdzināt veiktspēju tiešā veidā. Kopienai ir jāizstrādā standartizēti etaloni un problēmu kopas, kas varētu godīgi novērtēt dažādu neiromorfo sistēmu stiprās un vājās puses, palīdzot gan pētniekiem, gan potenciālajiem lietotājiem.

Secinājums: Jauna ēra inteliģentā un ilgtspējīgā skaitļošanā

Neiromorfā skaitļošana ir kas vairāk nekā tikai pakāpenisks apstrādes jaudas uzlabojums. Tā ir fundamentāla pārdomāšana par to, kā mēs veidojam inteliģentas mašīnas, iedvesmojoties no vissarežģītākās un efektīvākās zināmās skaitļošanas ierīces: cilvēka smadzenēm. Pieņemot tādus principus kā masīvs paralēlisms, notikumu vadīta apstrāde un atmiņas un skaitļošanas vienuvietība, smadzeņu iedvesmotas mikroshēmas sola nākotni, kurā jaudīgs MI var pastāvēt uz mazākajām, visvairāk ierobežotas jaudas ierīcēm.

Lai gan ceļš uz priekšu ir saistīts ar izaicinājumiem, īpaši programmatūras jomā, progress ir nenoliedzams. Neiromorfās mikroshēmas, visticamāk, neaizstās CPU un GPU, kas šodien darbina mūsu digitālo pasauli. Tā vietā tās tos papildinās, radot hibrīdu skaitļošanas ainavu, kurā katru uzdevumu veic visefektīvākais procesors. No gudrākām medicīnas ierīcēm līdz autonomākiem robotiem un dziļākai izpratnei par mūsu pašu prātu, smadzeņu iedvesmotas skaitļošanas rītausma ir gatava atvērt jaunu ēru inteliģentā, efektīvā un ilgtspējīgā tehnoloģijā.