آزمایشگاه های اینتل روز چهارشنبه بزرگترین کامپیوتر نورومورفیک خود را معرفی کردند، یک سیستم عصبی 1.15 میلیاردی، که می گوید تقریباً مشابه مغز جغد است.

اما نگران نباشید، اینتل Fallout را بازسازی نکرده است Robobrain. به جای شبکه ای از نورون ها و سیناپس های ارگانیک، Hala Point اینتل همه آنها را در سیلیکون شبیه سازی می کند.

در حدود 20 وات، مغز ما در پردازش مقادیر زیادی از اطلاعاتی که از هر حواس در هر لحظه وارد می شود، به طرز شگفت آوری کارآمد است. حوزه نورومورفیک، که اینتل و آی‌بی‌ام چند سال گذشته را صرف کاوش در آن کرده‌اند، با تقلید از شبکه عصبی مغز و سیناپس‌ها برای ساخت رایانه‌هایی که قادر به پردازش اطلاعات کارآمدتر از شتاب‌دهنده‌های سنتی هستند، است.

چقدر کارآمد؟ طبق گفته اینتل، آخرین سیستم اینتل، یک جعبه 6U تقریباً به اندازه یک مایکروویو که 2,600 وات مصرف می کند، می تواند بازده شبکه عصبی عمیق را تا 15 TOPS/W با دقت 8 بیتی به دست آورد. برای در نظر گرفتن این موضوع، قدرتمندترین سیستم انویدیا، GB200 NVL72 مبتنی بر Blackwell، که هنوز حتی عرضه نشده است، مدیریت می کند فقط 6 TOPS/W در INT8، در حالی که سیستم های DGX H100 فعلی آن می توانند حدود 3.1 TOPS/W را مدیریت کنند.

این عملکرد با استفاده از 1,152 پردازنده Loihi 2 اینتل به دست می آید که در یک شبکه سه بعدی برای مجموع 1.15 میلیارد نورون، 128 میلیارد سیناپس، 140,544،2,300 هسته پردازشی و 86 هسته xXNUMX تعبیه شده برای محاسبات لازم به یکدیگر متصل شده اند. نگه داشتن چیز chugging همراه.

برای روشن شدن، آن ها هسته های x86 معمولی نیستند. آنها هسته‌های بسیار بسیار ساده و کوچک x86 هستند. مایک دیویس، مدیر محاسبات نورومورفیک در اینتل، گفت: آنها چیزی شبیه به آخرین هسته ها یا پردازنده های Atom ما نیستند. ثبت نام.

اگر Loihi 2 زنگی را به صدا درآورد، به این دلیل است که تراشه بوده است کوبیدن به اطراف مدتی است که اولین تراشه خود را در سال 2021 به عنوان یکی از اولین تراشه های تولید شده با استفاده از فناوری پردازش 7 نانومتری اینتل ساخته است.

علیرغم قدمت، اینتل می‌گوید سیستم‌های مبتنی بر Loihi می‌توانند برخی مشکلات استنتاج و بهینه‌سازی هوش مصنوعی را تا ۵۰ برابر سریع‌تر از معماری‌های CPU و GPU معمولی حل کنند در حالی که ۱۰۰ برابر انرژی کمتری مصرف می‌کنند. به نظر می رسد این اعداد بوده اند دست [PDF] با قرار دادن یک تراشه Loihi 2 روی کوچک Jetson Orin Nano انویدیا و یک CPU Core i9 i9-7920X.

هنوز پردازنده های گرافیکی خود را دور نیندازید

در حالی که این ممکن است قابل توجه به نظر برسد، Davies اذعان می کند که شتاب دهنده های نورومورفیک آن هنوز آماده جایگزینی GPU برای هر بار کاری نیستند. او گفت: «این یک شتاب دهنده هوش مصنوعی همه منظوره به هیچ وجه نیست.

یکی از محبوب‌ترین برنامه‌های هوش مصنوعی، مدل‌های زبان بزرگ (LLM) که برنامه‌هایی مانند ChatGPT را تقویت می‌کنند، حداقل هنوز در Hala Point اجرا نمی‌شوند.

ما در حال حاضر هیچ LLM را به Hala Point نگاشت نمی کنیم. ما نمی دانیم چگونه این کار را انجام دهیم. رک و پوست کنده، زمینه تحقیقات نورومورفیک نسخه نورومورفیک از ترانسفورماتور ندارد.

با این اوصاف، تیم دیویس در اجرای شبکه‌های عصبی عمیق سنتی، یک پرسپترون چند لایه، در نقطه Hala با برخی احتیاط‌ها موفق بوده است.

او گفت: «اگر بتوانید فعالیت شبکه و هدایت آن را در آن شبکه کاهش دهید، آن وقت است که می‌توانید به دستاوردهای واقعاً بسیار بزرگی دست یابید. این بدان معناست که باید یک سیگنال ورودی پیوسته را پردازش کند ... یک جریان ویدیویی یا یک جریان صوتی، چیزی که در آن مقداری همبستگی از نمونه به نمونه به نمونه دیگر وجود دارد.

آزمایشگاه های اینتل پتانسیل Loihi 2 را برای پردازش تصویر و صدا در یک مقاله نشان دادند منتشر شده [PDF] اواخر سال گذشته. آنها در آزمایش دریافتند که تراشه به دستاوردهای قابل توجهی در بهره وری انرژی، تأخیر و توان پردازش سیگنال دست یافته است که گاهی اوقات بیش از سه مرتبه بزرگی در مقایسه با معماری های معمولی است. با این حال، بزرگترین دستاوردها به قیمت دقت پایین تر به دست آمد.

توانایی پردازش داده های بلادرنگ با قدرت و تأخیر کم، این فناوری را برای کاربردهایی مانند وسایل نقلیه خودران، پهپادها و روباتیک جذاب کرده است.

مورد استفاده دیگری که امیدوارکننده است، مشکلات بهینه سازی ترکیبی است، مانند برنامه ریزی مسیر برای یک وسیله نقلیه تحویل، که باید در مرکز شهر شلوغ حرکت کند.

حل این حجم کاری بسیار پیچیده است زیرا تغییرات کوچکی مانند سرعت وسیله نقلیه، تصادفات و بسته شدن خطوط باید در حین پرواز در نظر گرفته شوند. معماری‌های محاسباتی مرسوم برای این نوع پیچیدگی نمایی مناسب نیستند، به همین دلیل است که فروشندگان محاسبات کوانتومی زیادی دیده‌ایم. هدف گذاری مشکلات بهینه سازی

با این حال، دیویس استدلال می کند که پلت فرم محاسباتی نورومورفیک اینتل "بسیار بالغ تر از سایر جایگزین های تحقیقاتی تجربی است."

اتاق برای رشد

به گفته دیویس، همچنان فضای زیادی برای باز کردن قفل وجود دارد. او درباره تراشه‌های Loihi 2 گفت: «متاسفم که بگویم به دلیل محدودیت‌های نرم‌افزاری حتی تا به امروز به طور کامل مورد سوء استفاده قرار نگرفته است.

شناسایی تنگناهای سخت‌افزاری و بهینه‌سازی نرم‌افزار بخشی از دلایلی است که آزمایشگاه‌های اینتل نمونه اولیه را در Sandia مستقر کرده است.

دیویس گفت: «درک محدودیت‌ها، به‌ویژه در سطح سخت‌افزار، بخش بسیار مهمی در ارائه این سیستم‌ها است. ما می‌توانیم مشکلات سخت‌افزاری را برطرف کنیم، می‌توانیم آن را بهبود ببخشیم، اما باید بدانیم چه جهتی را بهینه کنیم.»

این اولین باری نیست که Sandia boffin ها دست خود را بر روی فناوری عصبی اینتل می گیرند. در یک کاغذ منتشر شده در اوایل سال 2022، محققان دریافتند که این فناوری پتانسیل بالایی برای HPC و AI دارد. با این حال، این آزمایش‌ها از نسل اول تراشه‌های Loihi اینتل استفاده کردند که تقریباً یک هشتم نورون‌های (128,000 در مقابل 1 میلیون) جانشین خود را دارند. ®

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://go.theregister.com/feed/www.theregister.com/2024/04/17/intel_hala_point_neuromorphic/