Forskere fra International Center for Neuromorphic Systems (ICNS) ved Western Sydney University (WSU) har slått seg sammen med Intel for å bygge et skalerbart, åpent og konfigurerbart neuromorft datasystem proof-of-concept, slik at de kan lære mer om hvordan hjernen fungerer og hvordan man bygger bedre AI.
Neuromorf databehandling tar sikte på å bruke datavitenskap for å utvikle AI -maskinvare som er mer fleksibel og kan etterligne funksjonene til den menneskelige hjernen, inkludert kontekstuell tolkning, sensoriske applikasjoner og autonom tilpasning.
Se: Hva er nevromorf databehandling? Alt du trenger å vite om hvordan det endrer fremtiden for databehandling
“Vi vet egentlig ikke hvordan hjerner tar signaler fra kroppssensorene våre og behandler det, og forstår verden rundt den. En av årsakene til det er at vi ikke kan simulere hjerner på vanlige datamaskiner – det er altfor mye treg, til og med å simulere som en kubikk millimeter av hjernen, tar uker å simulere i bare noen få sekunder – og det stopper en del av forståelsen av hvordan hjernen fungerer, sier ICNS -direktør André van Schaik til ZDNet.
“Derfor må vi bygge en maskin som kan etterligne hjernen i stedet for å simulere med forskjellen, det er mer en maskinvareimplementering der disse tingene går raskere og parallelt.”
Han la til at for å kunne forstå hjernen er bare en av de “siste grensene i vitenskapen”.
“Du kan ikke bare studere den menneskelige hjernen hos mennesker på riktig detaljnivå og skala … eller gjøre en EEG der du får hjernebølger, men ikke få noen oppløsning på hva de enkelte nevronene gjør i noens hjerne, men med dette systemet kan du Forhåpentligvis kan vi finne ut hvordan hjernen fungerer og deretter skalere, men også hvordan de mislykkes, sa van Schaik.
På samme tid tror van Schaik at løsningen kan forbedre måten AI -systemer er bygd på, og beskriver nåværende metoder som brukes for å trene AI -modeller som “veldig brute force -metoder”.
“De lærer egentlig bare av mange eksempler … [men] å lære om hjerner fungerer veldig annerledes enn det vi kaller AI for øyeblikket. Igjen vet vi ikke helt hvordan det fungerer og igjen, det å holde oss tilbake er at vi klarer ikke å simulere dette på dagens datamaskiner i noen skala, “sa han.
Ifølge van Schaik ser teamet for seg at proof-of-concept-oppsettet vil ligne på nåværende datasentre. Den vil bestå av tre beregningsstativer i et kjølig miljø, inkludere Intel-konfigurerbare nettverksprotokollakselerator (COPA) -aktiverte feltprogrammerbare gate-matriser (FPGA-er), og kobles til med et høyytelses databehandlingsnettverk (HPC). Systemet vil deretter bli matet med informasjon, for eksempel beregningsnevrovitenskap, nevroanatomi og nevrofysiologi.
Systemet vil komme fra baksiden av arbeidet Intels Neuromorphic Research Community (INRC) har gjort med sin Loihi nevromorfiske databehandling prosess.
Van Schaik sa at selv om Loihi-brikken er veldig energieffektiv, er den også mindre fleksibel da den er en spesialdesignet brikke og derfor ikke konfigurerbar, sammenlignet med bruk av FPGA-er som kan konfigureres og omkonfigureres ved hjelp av programvare.
“Vi ønsker å tilby dette mer fleksible systemet og det mer energisultne systemet som en egen vei for det samfunnet,” sa han.
“Vi kan for tiden simulere mye større nettverk enn de kan på den plattformen.”
Det er også et bærekraftaspekt ved forskningen, og van Schaik forklarer at systemet som skal bygges vil kunne behandle flere data, med mindre strøm. Den anslåtte termiske designeffekten til systemet er 38,8 kW ved full belastning.
“[I] advent av AI og maskinlæring og smarte enheter … samler vi så mye data … når disse dataene går til skyen, bruker de strøm … og vi er faktisk på en bane … [hvor] data bruker like mye strøm som alt annet i verden, “sa han.
“Hvis vi ser på datasentre for øyeblikket som behandler data … de bruker enorme mengder elektrisitet. Den menneskelige klien er omtrent 25 watt … vi håper ved å bygge AI og databehandling mer som hjerner, kan vi gjøre det med mye mindre strøm. ”
Relatert dekning
Intel Labs søker etter chipgigants neste handling innen kvante, nevromorfiske fremskritt Nå bruker Google AI til å designe sjetonger, langt raskere enn menneskelige ingeniører kan gjøre jobben. IBM viser at kvantemaskiner kan løse disse problemene at klassiske datamaskiner finner hardEthics of AI: Fordeler og risiko ved kunstig intelligens
Relaterte emner:
Australia CXO Digital Transformation Tech Industry Smart Cities Cloud 