هالا پوینت اینتل، بزرگترین کامپیوتر نورومورفیک جهان، دارای 1.15 میلیارد نورون است.

سه سال پس از معرفی نسل دوم تراشه کامپیوتری “نورومورفیک” خود، اینتل روز چهارشنبه اعلام کرد که این شرکت 1152 قطعه را در یک سیستم پردازش موازی واحد به نام Hala Point با همکاری آزمایشگاه ملی Sandia در وزارت انرژی ایالات متحده مونتاژ کرده است.

به گفته اینتل، 1152 تراشه Loihi 2 سیستم Hala Point در مجموع 1.15 میلیارد نورون مصنوعی را قادر می‌سازد، “و 128 میلیارد سیناپس روی 140،544 هسته پردازش نورومورفیک توزیع شده است.” این یک افزایش نسبت به سیستم چند تراشه قبلی اینتل Loihi است که در سال 2020 معرفی شد، به نام Pohoiki Springs که فقط از 768 تراشه Loihi 1 استفاده می کرد.

آزمایشگاه Sandia قصد دارد از این سیستم برای آنچه “تحقیق محاسباتی در مقیاس مغز” نامیده می شود، برای حل مشکلات در زمینه های فیزیک دستگاه، معماری کامپیوتر، علوم کامپیوتر و انفورماتیک استفاده کند.

همچنین: اینتل تراشه نورومورفیک نسل دوم Loihi را با نتایج بزرگی در مشکلات بهینه سازی عرضه می کند

مایک دیویس، رئیس آزمایشگاه محاسبات نورومورفیک اینتل به ZDNET گفت: «برای اولین بار ما شبکه‌های عصبی عمیق استاندارد را نشان می‌دهیم که نقشه‌برداری می‌شوند و به شکلی تبدیل می‌شوند که می‌تواند در این مقیاس در یک سیستم نورومورفیک اجرا شود. این اولین کاری است که برای هر کسی نشان می‌دهد که شبکه‌های عصبی عمیق استاندارد در واقع می‌توانند، با برخی احتیاط‌ها، با راندمان رقابتی همتراز با بهترین پردازنده‌های گرافیکی و ASIC (مدارهای مجتمع ویژه برنامه) که اکنون تولید می‌شوند، اجرا شوند. “

محاسبات نورومورفیک یک اصطلاح کلی است که به تلاش‌های مختلفی برای ایجاد محاسباتی که شبیه جنبه‌هایی از نحوه شکل‌گیری مغز است، داده می‌شود. این اصطلاح به اوایل دهه 1980 کارور مید، پیشگام محاسباتی افسانه‌ای برمی‌گردد، که به این موضوع علاقه داشت که چگونه مجموعه‌های متراکم ترانزیستورهای روی یک تراشه چگونه می‌توانند به بهترین شکل با هم ارتباط برقرار کنند. بینش مید این بود که سیم‌های بین ترانزیستورها باید تا حدودی به کارایی سیم‌کشی عصبی مغز دست یابند.

از آن زمان تاکنون پروژه‌های زیادی انجام شده است، از جمله کارهای Winfried Wilcke از مرکز تحقیقات Almaden IBM در سن خوزه، تلاش تراشه TrueNorth در IBM و پروژه Loihi اینتل. Scott Fulton III از ZDNet خلاصه ای عالی از برخی از جالب ترین پیشرفت ها در محاسبات نورومورفیک دارد.

همچنین: شرکای اینتل گام های جدیدی در توسعه تراشه محاسباتی نورومورفیک Loihi برداشته اند

فرض بیشتر تراشه‌های نورومورفیک این است که تکرار «سنبله» ناهمزمان نورون‌های مغز رویکرد کارآمدتری نسبت به استفاده از میلیاردها «وزن» یا «پارامتر» شبکه عصبی است که به طور مکرر هر نقطه داده را تغییر می‌دهد.

تمرکز اینتل روی محاسبات نورومورفیک بیشتر بر روی دستگاه‌های محاسباتی “لبه” بوده است، مانند رایانه‌های سرور کوچک با پردازنده‌های تعبیه‌شده به جای ماشین‌های کلاس Xeon.

ماشین Hala Point تلاشی توسط دیویس و تیم برای بررسی میزان نورومورفیک می‌تواند مقیاس شود.

دیویس گفت: «یک چشم‌انداز بلندمدت قانع‌کننده برای افزایش سطح علوم پایه وجود دارد. همه ما مقیاس مغز انسان را در ذهن داریم؛ بسیار عالی خواهد بود که سیستمی به این بزرگی بسازیم و نشان دهیم که کاری حتی نزدیک به آنچه که مغز انسان می تواند به دست آورد، انجام می دهد. اعتقاد بر این است که مغز انسان دارای یک تریلیون نورون است، اگرچه لزوماً همه در یک زمان کار نمی کنند.

افزایش مقیاس ممکن است برای آشکار کردن توانایی محاسبات نورومورفیک مهم باشد. همانطور که مدل‌های زبان بزرگ مانند ChatGPT OpenAI با افزایش اندازه مدل‌های شبکه عصبی و افزایش بودجه محاسباتی، قابلیت‌هایی را به دست می‌آورند که به آن‌ها «ظهور» می‌گویند، «ما معتقدیم که همان مزایا و روندهای مقیاس‌پذیری را در سیستم‌های نورومورفیک نیز مشاهده خواهیم کرد. دیویس گفت.

(«مدل AI» یا «مدل شبکه عصبی» بخشی از یک برنامه هوش مصنوعی است که شامل پارامترهای شبکه عصبی متعدد و توابع فعال‌سازی است که عناصر کلیدی برای نحوه عملکرد یک برنامه هوش مصنوعی هستند.)

همچنین: چرا مهندسی نورومورفیک باعث ایجاد یک انقلاب آنالوگ شد؟

Hala Point با استفاده از ریاضیات 8 بیتی قادر به تولید 20 کوادریلیون عملیات در ثانیه با سرعت 15 تریلیون عملیات در ثانیه در هر وات است. اینتل ادعا می کند که مصرف انرژی از آنچه که تراشه های GPU و CPU نیاز دارند، برتر است.

فراتر از این معیارها، اینتل هنوز در حال یادگیری در مورد انواع دستاوردهای بهره وری است که می تواند از چنین سیستم نورومورفیک بزرگ شده حاصل شود. برای اثبات ارزش Hala Point، اینتل بر نحوه عملکرد سیستم برای مشکلات بهینه سازی سخت، مانند مواردی که در توسعه دارو ایجاد می شود، متمرکز شده است. دیویس گفت: در مقیاس کوچک، بر اساس هر تراشه، قطعات Loihi 2 می توانند 50 برابر سریعتر از تراشه های معمولی باشند.

دیویس گفت: «ما از این نوع افزایش‌هایی که مشاهده کرده‌ایم بسیار هیجان‌زده هستیم، و صد تا هزار برابر صرفه‌جویی در انرژی در آن سطح افزایش‌یافته در Hala Point می‌تواند صرفه‌جویی فوق‌العاده و واقعاً ارزشمند برای مشکلات علمی.”

دیویس گفت، اگرچه این یک سیستم تحقیقاتی است، اما Hala Point می تواند به آشکار کردن مزایای نورومورفیک کمک کند که می تواند در نسخه بعدی Loihi یا در پیکربندی های لبه کوچکتر پیاده سازی شود.

همچنین: آزمایشگاه های اینتل به دنبال اقدام بعدی غول تراشه در پیشرفت های کوانتومی و نورومورفیک هستند

او گفت: «اگر چیزی در مقیاس بسیار بزرگ پیدا کنیم که واقعاً عملکرد خوبی داشته باشد، می‌توانیم در مورد راه‌هایی برای تخصصی کردن معماری فکر کنیم تا بتوانیم آن را به مقیاسی کاهش دهیم که در یک فاکتور لبه کوچک‌تر قرار گیرد.»

دیویس گفت: Neuromorphic “هرگز جایگزین GPU ها یا شتاب دهنده های یادگیری عمیق امروزی برای انواع بارهای کاری که به خوبی اجرا می شوند، نخواهد شد.” با این حال، تحقیقات اخیر نشان می‌دهد که حوزه‌هایی از محاسبات با کارایی بالا وجود دارد که می‌تواند در آنها برتری داشته باشد.

در کنفرانسی در کره جنوبی این هفته، دانشمندان اینتل سامیت بام شرستا و تیمش یافته‌های یک مقاله تحقیقاتی را ارائه می‌کنند که تراشه Loihi 2 را با پلتفرم محاسباتی لبه انویدیا جتسون و همچنین پردازنده تعبیه‌شده i9 اینتل مقایسه می‌کند.

این برنامه ها شامل PilotNet، یک شبکه عصبی یادگیری عمیق است که “زاویه فرمان خودرو را بر اساس ورودی دوربین RGB داشبورد” محاسبه می کند. وظیفه شبکه عصبی پردازش فریم های ویدئویی با استفاده از یک “شبکه عصبی کانولوشنال” یا CNN است که برای دهه ها به طور گسترده در هوش مصنوعی استفاده شده است.

همچنین: محاسبات نورومورفیک زندگی جدیدی در یادگیری ماشین پیدا می کند

ما متوجه شدیم که این رویکردهای نورومورفیک جدید می‌توانند در مقایسه با تبدیل‌های طیفی، حذف نویز صوتی و تصویری، در ترکیب بازده و تأخیر (محصول انرژی-تأخیر) برای شبکه‌های عصبی پیش‌خور و کانولوشن دستاوردهای بزرگی را ارائه دهند. راه حل های هنری،” شرستا و تیم نوشتند.

از آنجایی که بخش Loihi از توابع اسپکینگ ناهمزمان استفاده می کند، تراشه کار نمی کند مگر اینکه تغییراتی در داده ها ایجاد شود. این به معنای صرفه جویی در انرژی محاسباتی زمانی است که داده‌های اضافی وجود دارد، همانطور که اغلب برای ویدیو یا تصاویری که دارای پیکسل‌هایی هستند که تغییر نمی‌کنند، صدق می‌کند.

“اگر سیگنالی وجود داشته باشد که در آن تداوم زمانی در جریان ورودی وجود داشته باشد، معماری می تواند از این واقعیت استفاده کند که گاهی اوقات هیچ تغییری وجود ندارد، یک پیکسل معین تغییر نمی کند، بنابراین نیازی به محاسبه مجدد کل فریم نیست. دیویس توضیح داد.

دیویس گفت، “اولویت بعدی” اینتل تجاری سازی محاسبات نورومورفیک است. دیویس گفت: “من می توانم بگویم که ما چند سال تا تجاری سازی فاصله داریم، اما نه بیشتر از این.” او گفت که اینتل عجله ای ندارد تا اولین کسی باشد که تجاری می کند. “علاقه ما این بوده است که اطمینان حاصل کنیم وقتی تجاری سازی می کنیم، بزرگترین فاکتور سودی را که می توانیم ارائه می دهیم، تا بیشترین ارزش متمایز از فناوری های موجود و معماری های موجود را ارائه دهیم.”