Нейроморфные чипы, вдохновленные мозгом, вскоре могут помочь в создании автономных роботов и самоуправляемых автомобилей

Нейроморфный чип Intel

Компьютерная архитектура, которая имитирует параллельную обработку наших нейронов, быстра и энергоэффективна

Хотя Гаррет Кеньон, физик из Национальной лаборатории Лос-Аламоса, считает способности искусственного интеллекта (ИИ) “преувеличенными”, несмотря на то, что ему это не нравится. Алгоритмы, лежащие в основе всего, от распознавания голоса Alexa до обнаружения подозрительных сделок с кредитными картами, обычно обязаны своими навыками глубокому обучению, в ходе которого программное обеспечение учится выполнять конкретные задачи, просматривая обширные базы данных примеров. Эти программы, отмечает Кеньон, не организуют и не обрабатывают информацию так, как это делает человеческий мозг, и не справляются с универсальным интеллектом, необходимым, например, для полностью автономных роботов. “У нас есть много удивительных устройств, которые невероятно полезны”, – говорит Кеньон. “Но я бы не назвал все это особенно умным”.

Кеньон и многие другие видят надежду на более умные компьютеры в новой технологии, называемой нейроморфными вычислениями. Вместо стандартной вычислительной архитектуры, которая обрабатывает информацию линейно, нейроморфные чипы имитируют то, как обрабатывает информацию наш мозг, при этом множество цифровых нейронов работают параллельно, посылая электрические импульсы в сети других нейронов. Каждый кремниевый нейрон срабатывает, когда получает достаточное количество импульсов, передавая свое возбуждение другим нейронам, и система учится, укрепляя связи, которые регулярно срабатывают, и отсекая те, которые этого не делают. Этот подход отлично подходит для выявления закономерностей в больших объемах данных, что может ускорить обучение. Так как обработка информации происходит во всей сети нейронов,

Нейроморфные вычисления не новы. Однако прогресс был медленным: производители микросхем неохотно инвестировали в технологии без проверенного рынка, а разработчики алгоритмов изо всех сил пытались написать программное обеспечение для совершенно новой компьютерной архитектуры. Но эта область, похоже, набирает обороты по мере расширения возможностей чипов, привлекая растущее сообщество разработчиков программного обеспечения.

Intel на этой неделе выпустила второе поколение своего нейроморфного чипа Loihi. Он содержит 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 Клиланд, нейробиолог из Корнельского университета.

Intel, разрабатывающая нейроморфную архитектуру, отдаляет сама себя от своих знаменитых компьютерных чипов общего назначения, известных как центральные процессоры (ЦП). В последние годы темпы развития технологии кремниевых процессоров начали замедляться. Это привело к распространению специализированных компьютерных чипов, таких как графические процессоры (GPU) и специализированные чипы памяти, каждый из которых предназначен для выполнения определенной задачи. Нейроморфные чипы могли бы расширить эту тенденцию. По словам Майка Дэвиса, главы отдела нейроморфных исследований Intel, они превосходно справляются с обработкой огромных объемов данных, необходимых для того, чтобы компьютер мог воспринимать, например, зрение и обоняние. Это, наряду с их энергоэффективностью, делает их идеальными для мобильных устройств, которые имеют ограниченный источник питания и не подключены к традиционным компьютерным сетям.

Усилия Intel сосредоточены здесь, в кампусе фермы Джонса, научно-исследовательском центре к западу от Портленда, штат Орегон. Оживленное в не пандемические времена, одно четырехэтажное здание фермы Джонса теперь пустует, поскольку инженеры по программному обеспечению и оборудованию работают из дома. В нейроморфной лаборатории, где Дэвис и его команда тестируют чипы Loihi-2 размером с мизинец, настенные часы показывают 7:43. Удаленная работа, вероятно, замедлила внедрение нового чипа до 6 месяцев, сказал Дэвис.

Как и в случае с Loihi-1, отдельные нейроны в Loihi-2 могут быть запрограммированы на усиление или подавление распространения электрических импульсов от соседних нейронов. Сотрудничество с такими нейробиологами, как Клиланд, побудило инженеров Intel добавить в новый Loihi еще одну функцию, подобную мозгу. Исследования обонятельной обработки в мозге показали, что расстояние между спайками может кодировать дополнительную информацию, и в 2020 году Клиланд и его коллеги продемонстрировали способность добавлять временную информацию в нейроморфные вычисления.

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 по мере распространения по ней запахов, включая ацетон, метан и аммиак. Они отправили данные в компанию Loihi, которая использовала алгоритм для представления и анализа запахов в виде потоков электрических импульсов, которые менялись во временных структурах. Лойхи смог идентифицировать каждый запах только по одному образцу. Для достижения такого же уровня точности подходы к глубокому обучению требовали обучения с применением до 3000 образцов.

Этот успех, по словам Дэвиса, побудил Intel оснастить свои чипы Loihi-2 возможностью создавать и анализировать сложные временные пики. “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 искусственного интеллекта на рынке. Сегодняшнее программное обеспечение для искусственного интеллекта “рабочая лошадка” основано на алгоритме глубокого обучения, известном как нейронная сеть обратного распространения (BPNN), которая позволяет системам искусственного интеллекта учиться на своих ошибках по мере обучения. В препринте, опубликованном на arXiv в августе, Эндрю Сорнборджер, физик из Лос-Аламоса, и его коллеги сообщили о программировании Loihi первого поколения для выполнения обратного распространения ошибок. Чип научился интерпретировать обычно используемый набор визуальных данных, состоящий из рукописных чисел, так же быстро, как обычные BPN, потребляя при кратно меньше энергии.

Аналогичным образом, в неопубликованной статье Вольфганг Маасс, специалист по информатике из Технологического университета Граца, и его коллеги разработали нейроморфную систему, которая выполняет обучение BPNN на 1/1000 мощности стандартного ИИ, управляемого графическим процессором. “Неясно, каким будет приложение для нейроморфных вычислений”, – говорит Маасс, но считает вероятной перспективой роботизированные устройства, которые требуют минимального энергопотребления для восприятия и навигации в окружающей среде.

Извлекая выгоду из понимания биологии, нейроморфные процессоры вскоре могут помочь нейробиологам лучше понять эволюцию и работу мозга. Стандартные системы искусственного интеллекта не очень помогают, потому что они, как правило, представляют собой черные ящики, которые не показывают, как они обучены. Но Loihi и подобные чипы являются лучшей моделью, потому что они ведут себя как биологические сети нейронов. Исследователи могут отслеживать закономерности срабатывания в кремниевых системах, чтобы показать, как они учатся обрабатывать визуальную, слуховую и обонятельную информацию, и, возможно, у нас будет новое представление о том, как биологические процессы выполняют аналогичную работу.

Например, в прошлом году, когда Кеньон и его коллеги изучали, как программа нейронной сети учится видеть, они использовали процесс, известный как неконтролируемое изучение словарного запаса. Она включает в себя классификацию объектов без предварительного сравнения их с примерами. Исследователи обнаружили, что их сеть со временем стала нестабильной, ее нейроны непрерывно активизировались, когда она теряла из виду визуальные особенности, которые она изучила. По словам Кеньона, нестабильное состояние возникает только при попытке использовать биологически реалистичные нейроморфные процессоры или при попытке понять саму биологию.

В надежде вернуть свой алгоритм в нужное русло, исследователи подвергли свою сеть воздействию зашумленных данных, которые, по их мнению, имитирует входные данные, получаемые биологическими нейронами во время сна. Шум перезагрузил сеть и повысил точность классификации объектов. “Это было так, как если бы мы обеспечивали нейронные сети эквивалентом хорошего ночного отдыха”, – говорит член команды И Чинг Уоткинс. Сейчас в Тихоокеанской Северо-Западной национальной лаборатории она работает над реализацией алгоритма на Loihi, чтобы выяснить, помогает ли ИИ-форма отключения глаз чипу стабильно обрабатывать информацию с камеры сетчатки в режиме реального времени.

Будущие нейроморфные чипы могут произвести революцию в вычислительной технике. Но для этого им может понадобиться вздремнуть.

Роберт Сервис

Роберт Сервис

Боб – репортер новостей науки в Портленде, штат Орегон, освещающий истории химии, материаловедения и энергетики.

Читайте также: