Intel skalerer det neuromorfe forskningssystem til 100 millioner neuroner

I dag, Intel annoncerede paratheden i Pohoiki Springs, sit nyeste og mest kraftfulde neuromorfe forskningssystem, der giver beregningskapacitet på 100 millioner neuroner. Det skybaserede system vil blive gjort tilgængeligt for medlemmer af Intel Neuromorphic Research Community (INRC), udvide deres neuromorfe arbejde med at løse større, mere komplekse problemer.

"Pohoiki Springs opskalerer vores Loihi neuromorfe researchchip med mere end 750 gange, under drift ved et effektniveau på under 500 watt. Systemet gør det muligt for vores forskningspartnere at undersøge måder at accelerere arbejdsbyrder, der kører langsomt i dag på konventionelle arkitekturer, herunder højtydende computingsystemer (HPC), "siger Mike Davies, direktør for Intels Neuromorphic Computing Lab.

Pohoiki Springs er et datacenter rackmonteret system og er Intels største neuromorfe computersystem udviklet til dato. Det integrerer 768 Loihi neuromorfe researchchips i et chassis på størrelse med fem standardservere.

Loihi -processorer henter inspiration fra den menneskelige hjerne. Ligesom hjernen, Loihi kan behandle visse krævende arbejdsbyrder op til 1, 000 gange hurtigere og 10, 000 gange mere effektivt end konventionelle processorer. Pohoiki Springs er det næste trin i skalering af denne arkitektur for at vurdere dets potentiale til at løse ikke kun kunstig intelligens (AI) problemer, men en lang række beregningsmæssigt vanskelige problemer. Intel -forskere mener, at den ekstreme parallelisme og asynkrone signalering af neuromorfe systemer kan give betydelige præstationsgevinster ved dramatisk reducerede effektniveauer sammenlignet med de mest avancerede konventionelle computere, der findes i dag.

I den naturlige verden kan selv nogle af de mindste levende organismer løse bemærkelsesværdigt hårde beregningsproblemer. Mange insekter, for eksempel, kan visuelt spore objekter og navigere og undgå forhindringer i realtid, på trods af at have hjerner med langt under 1 million neuroner.

Tilsvarende Intels mindste neuromorfe system, Kapoho Bay, består af to Loihi -chips med 262, 000 neuroner og understøtter en række forskellige real-time kantbelastninger. Intel- og INRC -forskere har demonstreret Loihis evne til at genkende bevægelser i realtid, læs blindeskrift med ny kunstig hud, orienter retning ved hjælp af indlærte visuelle vartegn og lær nye lugtmønstre - alt sammen mens du bruger snesevis af milliwatt strøm. Disse små eksempler har hidtil vist fremragende skalerbarhed, med større problemer, der kører hurtigere og mere effektivt på Loihi sammenlignet med konventionelle løsninger. Dette afspejler skalerbarheden af ​​hjerner, der findes i naturen, fra insekter til menneskelige hjerner.

Med 100 millioner neuroner, Pohoiki Springs øger Loihis neurale kapacitet til størrelsen af ​​en lille pattedyrhjerne, et stort skridt på vejen til at understøtte meget større og mere sofistikerede neuromorfe arbejdsbyrder. Systemet danner grundlaget for et autonomt, forbundet fremtid, hvilket vil kræve nye tilgange til realtid, dynamisk databehandling.

Intels neuromorfe systemer, såsom Pohoiki Springs, er stadig i forskningsfasen og er ikke beregnet til at erstatte konventionelle computersystemer. I stedet, de giver et værktøj til forskere til at udvikle og karakterisere nye neuro-inspirerede algoritmer til behandling i realtid, problemløsning, tilpasning og læring.

INRC-medlemmer får adgang til og bygger applikationer på Pohoiki Springs via skyen ved hjælp af Intels Nx SDK og softwarekomponenter, der er bidraget fra lokalsamfundet.

Eksempler på lovende, stærkt skalerbare algoritmer, der udvikles til Loihi, omfatter:

• Begrænsningstilfredshed:Begrænsningstilfredshedsproblemer er til stede overalt i den virkelige verden, fra sudoku -spillet til planlægning af flyselskaber, til pakkeleveringsplanlægning. De kræver evaluering af et stort antal potentielle løsninger for at identificere den eller de få, der opfylder specifikke begrænsninger. Loihi kan fremskynde sådanne problemer ved at udforske mange forskellige løsninger parallelt med høj hastighed.
• Søgning efter grafer og mønstre:Hver dag, folk søger grafbaserede datastrukturer for at finde optimale stier og tæt matchende mønstre, for eksempel at få kørselsvejledning eller at genkende ansigter. Loihi har vist evnen til hurtigt at identificere de korteste stier i grafer og udføre omtrentlige billedsøgninger.
• Optimeringsproblemer:Neuromorfe arkitekturer kan programmeres, så deres dynamiske adfærd over tid matematisk optimerer specifikke mål. Denne adfærd kan anvendes til at løse virkelige optimeringsproblemer, såsom maksimering af båndbredden på en trådløs kommunikationskanal eller tildeling af en aktieportefølje for at minimere risiko ved en målrente.

Om neuromorf computing

Traditionelle generelle processorer, som CPU'er og GPU'er, er særligt dygtige til opgaver, der er vanskelige for mennesker, såsom meget præcise matematiske beregninger. Men teknologiens rolle og anvendelser udvides. Fra automatisering til AI og videre, der er et stigende behov for, at computere fungerer mere som mennesker, behandling af ustrukturerede og støjende data i realtid, mens man tilpasser sig forandringer. Denne udfordring motiverer nye og specialiserede arkitekturer.

Neuromorf computing er en fuldstændig nytænkning af computerarkitektur nedefra og op. Målet er at anvende de nyeste indsigter fra neurovidenskab til at skabe chips, der fungerer mindre som traditionelle computere og mere som den menneskelige hjerne. Neuromorfe systemer replikerer den måde neuroner er organiseret på, kommunikere og lære på hardwareniveau. Intel ser Loihi og fremtidige neuromorfe processorer definere en ny model for programmerbar computing til at tjene verdens stigende efterspørgsel efter gennemgribende, intelligente enheder.