Loihi 2, udtalt “Low-EE-he”, skærer halvdelen af størrelsen af chippen og multiplicerer otte gange antallet af kunstige spikende neuroner. Her ses chipens ydre med sine kontakter for at oprette forbindelse til kredsløbskortet.
Walden Kirsch/Intel
Intel afslørede torsdag den anden version af sin Loihi neuromorfe chip, “Loihi 2”, en processor til kunstig intelligens, som den hævder mere passende afspejler de processer, der forekommer i den menneskelige hjerne sammenlignet med anden AI -teknologi.
Den nye chip er krympet til det halve i en mere avanceret procesknude, der nu måler 31 kvadratmillimeter, men alligevel indeholder den en million kunstige spidsneuroner, otte gange så mange som forgængeren.
< p>Og chippen får ny fleksibilitet ved at have mere mere omfattende mikrokode, der ligger til grund for driften af de spikende neuroner.
Loihi, udtalet “lav-EE-he”, er opkaldt efter et hawaiisk havmonter, en ung vulkan, “der dukker op fra havet når som helst nu”, som Mike Davies, Intels direktør for neuromorfe computere, udtrykker det.
Den nye chip får også en ny udviklingsramme, kaldet Lava, som er skrevet i Java og udgivet som open source. Udviklere kan arbejde på programmer til Loihi uden at have adgang til hardwaren. Softwaren er tilgængelig på Github.
Intel afslørede den første version af Loihi tilbage i 2017 og beskrev den dengang som en chip, der ville “hente inspiration fra, hvordan neuroner kommunikerer og lærer, ved hjælp af pigge og plastiksynapser, der kan moduleres baseret på timing.”
< p> Chippen er udformet som et “net” af computerkerner
Den første Loihi blev formet ved hjælp af Intels 14-nanometer procesteknologi. Den nye version anvender Intels Intel 4 -teknologi, da virksomheden har rebranded sine produktionsgenerationer. Det menes at være dybest set en 7-nanometer chip, selvom Intel ikke har afsløret alle detaljer om procesteknologien. Teknologien er en præproduktionsversion af Intel 4, understreger virksomheden.
Chippen får en mere fleksibel mikrokode, der lader programmører “allokere variabler og udføre en lang række instruktioner organiseret som korte programmer ved hjælp af en forsamlingssprog, “fastslår Intel.
Disse programmer har adgang til neural state-hukommelse, den akkumulerede synaptiske input ai for det aktuelle tidsskridt, tilfældige bits til stokastiske modeller og en timestep-tæller til tidsreguleret beregning. Instruktionssættet understøtter betinget forgrening, bitvis logik og fastpunktsregning bakket op af hardwaremultiplikatorer.
“Det tilføjer en masse generelitet, programmerbarhed, hvorimod vi tidligere var begrænset af de faste funktionssæt i Loihi 1,” sagde Intels Davies i et interview med ZDNet telefonisk.
Intel har forbedret ydeevnen på mange niveauer med chippen, sagde han.
“Vi har arbejdsbyrder, der løber over ti gange hurtigere, og på kredsløbsniveau er vi et sted mellem to til syv gange, afhængigt af parameteren.” Intel har også øget “chip-til-chip-skalerbarheden” ved at multiplicere med fire båndbredden på hvert link mellem kerner.
Chippen er i stand til at skalere til tre dimensioner, sagde Davies ved at bruge inter-chip links.
Chippen har nu næsten 150 forskningsgrupper rundt om i verden, der bruger Loihi, sagde Davies.
Påstanden fra neuromorfe computing -fortalere er, at tilgangen nærmere efterligner de faktiske egenskaber ved hjernens funktion, såsom den store økonomi, som hjernen transmitterer signaler med.
Området for dyb læring, som har en anden tilgang til AI, har kritiseret neuromorfe tilgange for ikke at have opnået praktiske resultater i modsætning til dybe læringssystemer som ResNet, der kan vælge billeder i billeder. Facebooks chef for AI, Yann LeCun, afviste i 2019 den neuromorfe tilgang på en konference, hvor han og Davies begge talte.
Et fotografi af masken af computerkerner i Loihi 2.
Intel
I et papir, der blev offentliggjort tidligere på året i IEEE Spectrum, bragte Davies og kolleger beviser for, hvad de siger er påviselige fordele ved neuromorfe chips på en række problemer. Som de udtrykker det i avisen, opnår neuromorfe chips fordele, når der er elementer i et problem, såsom rekursion, som de linker til den måde, hjernen behandler:
Mens konventionelle feedforward dybe neurale netværk viser beskedne, om nogen fordele ved Loihi, udfører mere hjerneinspirerede netværk ved hjælp af tilbagefald, præcise spike-timing-forhold, synaptisk plasticitet, stokastik og sparsitet visse beregninger med størrelsesordener lavere latens og energi i forhold til state-of-the-art konventionelle metoder. Disse overbevisende neuromorfe netværk løser en bred vifte af problemer, der er repræsentative for hjernelignende beregninger, f.eks. Event-base
“Vi har en portefølje af resultater, der for første gang virkelig kvantitativt bekræfter løftet om neuromorf hardware til at levere betydelige gevinster i energieffektivitet, i forsinkelse af behandling og dataeffektivitet for visse læringsalgoritmer,” sagde Davies til ZDNet.
“Det har været en af de virkelig behagelige overraskelser at opdage, at neuromorfe chips er fantastiske til at løse optimeringsproblemer,” sagde Davies. “Det er ikke så overraskende, fordi hjerner altid optimerer,” sagde han.
I deep learning-former for maskinlæring er processen med at forudsige, foretage slutning en strengt “feed-forward proces”, sagde Davies. I modsætning hertil sagde Davies, “hjernen er en meget mere kompleks proces end det, det er altid faktorisering af feedback, det er forståelse af kontekst og forventning, ind i dets slutning.”
Intels Loihi -team beskriver benchmark -resultater mod konventionelle metoder til dyb læring. Loihi-posterne er de tre netværk opført som “SLAYER”, der står for “Spike Layer Error Reassignment”, et værktøj udviklet i 2018 af forskere ved National University of Singapore for at tillade neuromorfe pigge at blive trænet med rygspredning.
IntelSom et resultat, “Hjernen udfører faktisk optimering,” sagde han. “Da vi har abstraheret nogle af disse muligheder i en standard matematisk ramme, har vi fundet ud af, at vi kan løse problemer som QUBO, kvadratisk ubegrænset primær optimering,” en klasse af problemer, der blev udført i kvantecomputere.
“Vi har fundet ud af, at vi faktisk kan løse QUBO -problemer fantastisk godt,” sagde han.
En tidlig bruger af Loihi 2, U.S. Department of Energy's Los Alamos National Laboratory, fortæller, at han har kunnet etablere forbindelser på tværs af flere domæner med chippen. For eksempel Loihi hans afdækning af krydsstrømme inden for maskinlæring og kvanteberegning, ifølge Los Alamos-medarbejder Dr. Gerd J. Kunde:
Efterforskere ved Los Alamos National Laboratory har brugt Loihi neuromorfe platform til at undersøge afvejningerne mellem kvante- og neuromorfe computere samt implementere læringsprocesser on-chip. Denne forskning har vist nogle spændende ækvivalenser mellem spidsende neurale netværk og kvanteudglødningsmetoder til løsning af hårde optimeringsproblemer. Vi har også demonstreret, at backpropagation -algoritmen, en grundlæggende byggesten til træning af neurale netværk og tidligere antaget ikke at kunne implementeres på neuromorfe arkitekturer, kan realiseres effektivt på Loihi. Vores team er begejstrede for at fortsætte denne forskning med anden generation af Loihi 2 -chip.
I et kommende papir sendt til IEEE Spectrum beskriver Davies og team eksperimenter med Loihi 2, hvor de sammenlignede chippen om standard maskinlæringsopgaver, f.eks. datasættet Google Speech Commands, ved at træne en perceptormodel i flere lag og sammenligne den med det dybeste netværk i klassen, en model bygget af Google-forskere og rapporteret om sidste år.
Loihi-posterne brugte et værktøj kaldet “SLAYER”, der står for “Spike Layer Error Reassignment”, et program introduceret i 2018 af Sumit Bam Shrestha og Garrick Orchardat fra National University of Singapore for at tillade neuromorfe pigge at blive trænet med rygspredning.
En model, der bager i omdrejninger, opnåede en nøjagtighed på den test på 91,74%, hvilket er bedre end standard dybt netværk, men ved at bruge langt færre parametre.
Relaterede emner:
Hardware Digital Transformation CXO Internet of Things Innovation Enterprise Software 