Новые чипы, аналогичные работе мозга, могут усилить интеллект для автономных роботов и самоуправляемых автомобилей

 

Мозг - научный журнал

Хиллсборо, Орегон. Гаррет Кеньон, физик из Лос - Аламосской национальной лаборатории, называет искусственный интеллект (ИИ) “перегруженным”. Алгоритмы, лежащие в основе всего, от распознавания голоса Alexa до обнаружения мошенничества с кредитными картами, обычно обязаны своим навыкам глубокому обучению, в котором программное обеспечение учится выполнять конкретные задачи, просматривая обширные базы данных примеров. Эти программы, указывает Кеньон, не организуют и не обрабатывают информацию так, как это делают человеческие мозги, и им не хватает универсальных умов, необходимых, например, для полностью автономных роботов. “У нас есть много потрясающих устройств, которые невероятно полезны”,-говорит Кеньон. “Но я бы не назвал их особенно умными”.

Кеньон и многие другие видят надежду на более умные компьютеры в технологии под названием neuromorphic computing. Вместо стандартной вычислительной архитектуры, которая обрабатывает информацию линейно, нейроморфные чипы эмулируют то, как наш мозг обрабатывает информацию, с мириадами цифровых нейронов, работающих параллельно, чтобы посылать электрические импульсы или шипы в сети других нейронов. Каждый кремниевый нейрон срабатывает, когда он получает достаточное количество шипов, передавая свое возбуждение другим нейронам, и система учится, укрепляя связи, которые регулярно срабатывают, а те, которые этого не делают, удаляются. Подход превосходит обнаружение паттернов в больших объемах зашумленных данных, что может ускорить обучение. Поскольку обработка информации происходит по всей сети нейронов, нейроморфные чипы также требуют гораздо меньше передачи данных между памятью и схемами обработки, повышая скорость и энергоэффективность.

Нейроморфные вычисления не новы. Тем не менее, прогресс был медленным, поскольку производители чипов неохотно инвестировали в технологию без проверенного рынка, а разработчики алгоритмов изо всех сил пытались написать программное обеспечение для совершенно новой компьютерной архитектуры. Но поле, похоже, созревает по мере увеличения возможностей чипов, что привлекает растущее сообщество разработчиков программного обеспечения.

На этой неделе Intel выпустила второе поколение своего нейроморфного чипа Loihi. Он упаковывает 1 миллион искусственных нейронов, в шесть раз больше, чем его предшественник, которые соединяются друг с другом через 120 миллионов синапсов. Другие компании, такие как BrainChip и SynSense, также недавно выпустили новое нейроморфное оборудование с чипами, которые ускоряют такие задачи, как компьютерное зрение и обработка звука. Нейроморфные вычисления “станут рок-звездой”,-говорит Томас Клеланд, нейробиолог из Корнельского университета. “Это не сделает все лучше. Но он полностью будет владеть частью области вычислений”.

Предприятие Intel в нейроморфную архитектуру края чипового гиганта от его знаменитых компьютерных чипов общего назначения, известных как центральные процессоры (CPUS). В последние годы темпы развития кремниевых технологий процессоров начали замедляться. Это привело к распространению специализированных компьютерных чипов, таких как графические процессоры (GPU) и выделенные чипы памяти, каждый из которых предназначен для конкретной работы. Нейроморфные чипы могут расширить эту тенденцию. Они превосходят в обработке огромных наборов данных, необходимых для того, чтобы дать компьютерам чувства, такие как зрение и обоняние, говорит Майк Дэвис, который возглавляет нейроморфные исследования Intel. Это, наряду с их энергоэффективностью, по-видимому, делает их идеально подходящими для мобильных устройств, которые имеют ограниченный источник питания и не связаны с традиционными компьютерными сетями.

Усилия Intel сосредоточены здесь, в кампусе Jones Farm компании, научно-исследовательском комплексе к западу от Портленда, штат Орегон. Суетясь в непандемные времена, в одном четырехэтажном здании фермы Джонса теперь есть комната за комнатой пустых кабин, поскольку инженеры по программному и аппаратному обеспечению работают из дома. В нейроморфной лаборатории, где Дэвис и персонал скелета тестируют чипы Loihi-2 размером с мизинец, настенные часы застряли в 7:43. Удаленная работа, вероятно, замедлила развертывание нового чипа до 6 месяцев, говорит Дэвис.

Как и в случае с Loihi-1, отдельные нейроны в Loihi-2 могут быть запрограммированы на усиление или подавление распространения электрических всплесков от соседних нейронов. Сотрудничество с нейробиологами, такими как Cleland, побудило инженеров Intel добавить еще одну мозговую функцию в новый Loihi. Исследования обонятельной обработки в мозге показали, что интервал между шипами может кодировать дополнительную информацию, и в 2020 году Клеланд и его коллеги продемонстрировали способность добавлять временную информацию к нейроморфным вычислениям.

Они намеревались обучить чип Loihi первого поколения распознавать запах 10 опасных химических веществ в смеси фоновых соединений. Исследователи записали показания 72 химических датчиков в аэродинамической трубе, когда через нее проходили запахи, включая ацетон, метан и аммиак. Они передавали данные в Loihi, который использовал алгоритм для представления и анализа одорантов в виде потоков электрических импульсов, которые изменялись по их временному шаблону. Лойхи смог идентифицировать каждый запах только после одного образца; подходы к глубокому обучению требовали обучения до 3000 образцов, чтобы достичь того же уровня точности.

Этот успех, по словам Дэвиса, побудил Intel оснастить свои чипы Loihi-2 способностью создавать и анализировать сложные временные спайки. “Мы пытаемся создать новый гибкий и универсальный интеллектуальный вычислительный чип общего назначения”,-говорит Дэвис.

Две группы уже показали,что нейроморфные чипы могут соответствовать возможностям некоторых из самых передовых программ ИИ на рынке. Сегодняшнее программное обеспечение workhorse AI опирается на алгоритм глубокого обучения, известный как нейронная сеть обратного распространения (BPNN), который позволяет системам ИИ учиться на своих ошибках при обучении. В препринте, опубликованном на arXiv в августе, Эндрю Сорнборгер, физик из Лос-Аламоса, и его коллеги сообщили о программировании Loihi первого поколения для обратного распространения. Чип научился интерпретировать обычно используемый набор визуальных данных рукописных цифр так же быстро, как обычные BPN, при этом потребляя всего 1/100 энергии.

Аналогично, в неопубликованной работе Вольфганг Маасс, ученый-компьютерщик из Технологического университета Граца, и его коллеги разработали нейроморфную систему, которая выполняет обучение BPNN с 1/1000 такой же мощностью, как стандартный ИИ, управляемый графическим процессором. “Неясно, каким будет приложение-убийца для нейроморфных вычислений”,-говорит Маасс, но он считает, что роботизированные устройства, которые должны потреблять минимальную мощность, чтобы ощущать свое окружение и перемещаться по ним, являются вероятной перспективой.

Кеньон говорит, что, получив выгоду от понимания биологии, нейроморфные процессоры вскоре могут вернуть услугу, помогая нейробиологам лучше понять эволюцию и работу мозга. Стандартные системы ИИ не очень помогают, потому что они, как правило, являются черными ящиками, которые не показывают, как происходит их обучение. Но Loihi и подобные чипы-лучшая модель, потому что они ведут себя как биологические сети нейронов. Исследователи могут отслеживать шаблоны стрельбы в системах на основе кремния, чтобы показать, как они учатся обрабатывать визуальную, слуховую и обонятельную информацию—и, надеюсь, получить новое представление о том, как биология выполняет аналогичные задания.

Например, в прошлом году, когда Кеньон и его коллеги изучали, как программа spiking neural network учится видеть, они использовали процесс, известный как неконтролируемое обучение словарю. Он включает в себя классификацию объектов без предварительных примеров для сравнения. Исследователи обнаружили, что их сеть со временем стала нестабильной, ее нейроны непрерывно стреляли, поскольку она потеряла визуальные функции, которые она изучила. Нестабильное состояние, говорит Кеньон, “возникает только при попытке использовать биологически реалистичные, острые нейроморфные процессоры или при попытке понять саму биологию.”

В надежде вернуть свой алгоритм в нужное русло исследователи подвергли свою сеть воздействию шума, который, по их мнению, имитирует вход, который биологические нейроны получают во время сна. Шум сбросил сеть и улучшил точность классификации объектов. “Это было так, как если бы мы давали нейронным сетям эквивалент хорошего ночного отдыха”,-говорит член команды Ицзин Уоткинс. Теперь в Тихоокеанской северо-западной национальной лаборатории она работает над реализацией алгоритма на Loihi, чтобы увидеть, помогает ли форма AI shut-eye чипу стабильно обрабатывать информацию с камеры сетчатки в режиме реального времени.

Будущие нейроморфные чипы могут революционизировать вычисления. Но для этого им может понадобиться время.