ВЫБОР РЕДАКЦИИ

Перспективы развития микроконтроллеров с краевым искусственным интеллектом

Проблемы разработки программно-управляемого аппаратного обеспечения

Искусственный интеллект – перспективы развития

Наступление эры искусственного интеллекта реального масштаба времени

Искусственный интеллект и увеличение интереса к краевым вычислениям

Бесшовная связь – становой хребет Четвертой промышленной революции

Использование биометрии в Сухопутных войсках США

Вопросы развития краевых вычислений

Машинное обучение открывает новые возможности FPGA

Материалы Симпозиума SEMI по промышленной политике

Современное состояние и перспективы развития рынка САПР

Teraki совершает «квантовый скачок» в сфере больших данных

Бум стартапов во Франции

Материалы Симпозиума SEMI по промышленной политике

Вопросы развития краевых вычислений

Экономические аспекты развития технологий искусственного интеллекта

О перспективах рынка потребительской электроники

Средства искусственного интеллекта учатся распознавать звуки

Превосходство КНР в области искусственного интеллекта: правда или миф?

Некоторые проблемы развития памяти с высокой пропускной способностью

Будущее ДОЗУ

Нейроморфные вычисления и их перспективы для искусственного интеллекта

Новейшие технологии нейроморфных вычислений приведут к развитию искусственного интеллекта

Искусственный интеллект и нейроморфные вычисления

Искусственный интеллект и нейроморфные вычисления

Выпуск 9(6733) от 06 мая 2021 г.
РУБРИКА: ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА

Увеличение объемов данных, необходимых для интеллектуальных устройств, побуждает к переоценке вычислительной производительности, осуществлямой с учетом возможностей и принципов работы человеческого мозга. Все большее значение приобретают нейроморфные вычисления и алгоритмы искусственного интеллекта.

Интеллектуальные приборы должны реагировать на меняющиеся задачи быстро и эффективно. С этой точки зрения они полагаются на процессорные ядра, оптимизирующие потребление энергии, доступ к памяти и характеристики тепловыделения. Центральные процессоры решают вычислительные задачи последовательно, в то время как алгоритмы искусственного интеллекта, применяемые в том числе для глубокого обучения, основаны на использовании нейронных сетей. Матричные операции ИИ требуют параллельной обработки данных, выполняемой графическими процессорами, состоящими из сотен специализированных ядер, работающих параллельно.

Глубокие нейронные сети, лежащие в основе взрывного роста распространения средств и методов ИИ, очень энергозатратны. Так, в 1988 г. нейронная сеть состояла в среднем из 20 тыс. нейронов, а сегодня их количество выросло до 130 млрд шт., что увеличивает потребление энергии. Таким образом, необходим новый тип вычислительного оборудования, способный эффективно обрабатывать алгоритмы ИИ, а также преодолевать физические ограничения, налагаемые т. н. законом Мура, ограничениями памяти и проблемой тепловыделения в устройствах с плотным расположением элементов.

ИС для нейронных сетей производятся компаниями Graphcore и Cerebras. К данному типу ИС относятся графические процессоры, ускорители ИИ, нейронные модули, тензорные процессоры, нейросетевые процессоры, интеллектуальные процессоры и визуальные процессоры, способные обрабатывать несколько вычислительных вершин и точек одновременно.


Имитация возможностей и принципов работы мозга

Человеческий мозг имеет 100 млрд нейронов, на каждый из которых приходится от 100 до 1000 синапсов (соответственно, число синапсов находится в пределах квадриллиона). При этом объем мозга эквивалентен двухлитровой бутылке воды. Мозг выполняет 1 млрд вычислений в секунду, затрачивая всего 20 Вт мощности. Для достижения такого же уровня вычислений с использованием современных кремниевых ИС потребуется 1,5 млн процессоров и 1,6 ПБайт быстродействующей памяти. Аппаратное обес-печение, необходимое для выполнения таких вычислений, займет два больших здания, а для моделирования эквивалента дневной активности мозга потребовалось бы 4,68 года и общий объем потребленной энергии около 10 МВт⋅ч.

Модель нейроморфных вычислений для создания сети нейронных синаптических ядер или процессоров использует кристаллы кремниевых ИС. Каждое ядро интегрирует память, вычислительный блок и блок связи, а также взаимодействует с другими ядрами на том же кристалле через встроенную управляемую событиями сеть. Вместо того чтобы выполнять каждое вычисление в ожидаемое и регулярное время, это делается лишь тогда, когда и если искусственный нейрон активируется входящим сигналом. Эта бесконтактная сеть, или импульсная нейронная сеть, основана на тактовом генераторе кристалла, но адаптирована для работы на кристаллах, отличных от кристаллов фон Неймана, что способствует значительному и быстрому снижению энергопотребления всего до милливатт.

Таким же образом имитируется гибкость человеческого мозга. Наподобие того, как мозг адаптируется, чтобы обойти нейрон и создать другую нейронную сеть в случае сбоя синапса, нейронная сеть выбирает другой путь, если -какое-либо ядро перестает работать. Путь к дополненному интеллекту начался в XX в. с автономных процессоров, графических процессоров, памяти и подключения, а затем эволюционировал в XXI в. до носимых устройств, умных часов и умных камер. В перспективе ожидаются нейроморфные приложения для обеспечения голографического взаимодействия и расширения человеческих возможностей (рис. 1).



Источник: Yole Développement

Рисунок 1. Цифровое общество: новые тенденции и факторы роста рынка


Кристаллы ИС взаимодействуют через межкристальный интерфейс, обеспечивая бесшовную доступность при создании масштабируемых нейроморфных систем – ​нечто подобное происходит и в коре головного мозга человека. Нейросинаптические ядра масштабируются с точки зрения размера кристалла, числа ядер в кристалле и количества кристаллов и плат, служащих зеркальным отображением различных областей человеческого мозга (рис. 2).



Источник: Yole Développement

Рисунок 2. Уникальный аспект нейроморфных вычислений связан с их адаптивностью, масштабируемостью и способностью отражать различные области мозга


Нейроморфная экосистема

Предполагается, что в ближайшие несколько лет рынок ИИ будет развиваться низкими темпами и в 2024 г. достигнет всего 69 млн долл. Затем спрос резко вырастет, что приведет к расширению рынка до 5 млрд долл. в 2029 г. Ожидается, что объем сектора нейроморфного формирования сигналов изображения, в основном используемого в компьютерной визуализации, составит в 2024 г. 43 млн долл., а через пять лет увеличится до 2,1 млрд долл.

Нейроморфная экосистема богата и разнообразна, в нее входят такие корпорации, как Intel (с ее кристаллом Loihi), Samsung и SK Hynix, а также стартапы наподобие General Vision, BrainChip, nepes и Vicarious. Со своей стороны, производители схем памяти разрабатывают энергонезависимые ЗУ, такие как резистивные ОЗУ (RRAM), созданные исследователями Лаборатории электроники и информационных технологий при Французском Комиссариате по атомной и альтернативным видам энергии (Laboratoire d’électronique des technologies de l’information, CEA-Leti) и Стэнфордского университета. Входят в экосистему и стартапы, занимающиеся прорывными технологиями (Weebit Nano, Robosensing, Symetrix и Knowm), и те, что специализируются исключительно на схемах памяти (Crossbar и Adesto).

Специалисты IBM довольно оптимистично прогнозируют, что к 2025 г. нейроморфные вычисления смогут конкурировать с человеческим мозгом. Уровень прогресса солидный – ​от кристалла, сформированного в 2011 г. с 256 нейронами и 144 синапсами в одном нейросинаптическом ядре, до кристалла, произведенного в 2014‑м, в котором объединены 1 млн нейронов, 256 млн синапсов, 4096 нейросинаптических ядер. Последняя система способна производить 46 млрд СОП/Вт (синаптические операции в секунду на ватт). Параллельно IBM намерена разработать 4096‑ядерный кристалл TrueNorth («сеть-на-кристалле»), который объединит 4 млрд нейронов и 1 трлн синапсов при энергопотреблении всего 1 кВт⋅ч.

В рамках реализуемой программы SyNAPSEУправление перспективных исследовательских проектов (DARPA) МО США намерено предложить в 2021 г. готовые к использованию программные стеки для разработки нейроморфных вычислительных кристаллов. Корпорация Intel рассчитывает, что подобные приборы будут интегрированы как в ее портфель технологий оконечных приборов (датчики Интернета вещей, автономных транспортных средств, настольных и мобильных приборов), так и в технологии краевых (граничных) вычислений (серверы и шлюзы, а также ЦОД).


Примеры использования ИИ

Спусковым крючком для внедрения нейроморфных вычислений, вероятно, станут вездесущие смартфоны. Сегодня многие операции, такие как биометрия, требуют больших затрат энергии и данных. Например, при распознавании речи аудиоданные обрабатываются в «облаке» и затем возвращаются на телефон. Добавление ИИ требует большей вычислительной мощности, но низкоэнергетические нейроморфные вычисления могут позволить переместить приложения, работающие сегодня в «облаке», непосредственно в смартфон. При этом нагрузка на батарею телефона существенно не увеличится.

Столь же многообещающи и приложения машинного зрения. Нейроморфные вычисления способны очень эффективно запускать алгоритмы ИИ, которые в настоящее время широко используется в многочисленных приложениях машинного зрения. Кроме того, комбинация датчиков, управляемых событиями и использующих нейроморфную асинхронную архитектуру, может предложить дополнительные преимущества, такие как быстродействие, не ограниченное частотой смены кадров, а также бóльшую чувствительность и динамику.

Интересный пример того, где можно использовать нейроморфные вычисления, – ​умный дом. Работа в самотактуемом режиме (когда работа синхронизуется не общим внешним тактовым генератором, а собственным, внутренним генератором) означает, что ИИ в смарт-динамиках способен определить, когда человек закончил команду, а также способен понять команду независимо от того, как быстро она произносится. Низкое энергопотребление нейроморфных вычислений означает, что устройства не нужно часто подзаряжать, а батареи не нужно менять. Тепловые характеристики означают отсутствие тепловыделения. В результате устройства могут быть безвентиляторными, что делает их более тихими и компактными, открывая тем самым еще больше возможностей для использования.

В дальнейшем ИИ может быть использован для восприятия других чувств, таких как обоняние, или для добавления ощущения движения, чтобы люди могли взаимодействовать с голограммами. Повышенная «интеллектуальность» ручного устройства имеет большой потенциал. В будущем люди могут взаимодействовать с голограммами с помощью нейроморфных вычислений (рис. 3).



Источник: Yole Développement

Рисунок 3. Нейроморфные вычисления имитируют биологическую нейронную сеть – на каждый искусственный нейрон приходится одно нейросинаптическое


Следующим по величине рынком после смартфонов, скорее всего, станет промышленный сектор. Этот рынок в значительной степени зависит от устройств с батарейным питанием, таких как беспилотные летательные аппараты, контрольно-измерительная аппаратура и горное оборудование. Они все выиграют от маломощных нейроморфных вычислений с поддержкой ИИ и эффективной обработки данных.

Промышленный рынок не так чувствителен к затратам, как потребительский. Специалисты исследовательской группы Yole Développement (Лион, Франция) ожидают, что рынок промышленного ИИ будет стоить в 2024 г. около 36 млн долл. и вырастет до 2,6 млрд долл. в 2029 г. Ожидается, что объем рынка ИИ для мобильной связи за те же периоды составит 71 млн и 3,2 млрд долл. соответственно. Другие сектора, как ожидается, в 2024 г. будут относительно малы, но затем также начнут быстро расширяться.

Например, сектор ИИ для потребительской электроники будет стоить в 2024 г. 3 млн долл., а в 2029‑м уже 190 млн. Показатели сектора ИИ для автомобильной электроники составят 1 млн и 1,1 млрд долл., сектора ИИ для медицинской электроники и вычислительной техники вырастут с нуля до 5 млн и 35 млн долл. соответственно.

Ускорение ИИ потребует дополнительных подходов к быстрой обработке данных, которые дополнят глубокое обучение. Возможность запуска ПО на нейроморфных кристаллах сегодня занимает много научно-исследовательских ресурсов, как и разработка на физическом уровне кристаллов, обладающих реальными размерами, подходящими для устройств типа смартфонов и смарт-динамиков, и не генерирующих избыточного тепла.

Рыночные индикаторы показывают, что время для нейроморфных вычислений настало. Их эффективность с точки зрения использования памяти, энергопотребления и тепловых характеристик может преодолеть многие препятствия, которые стоят перед ИИ, одновременно охватывая новые варианты использования.

Итак, с одной стороны, нейроморфные вычисления все еще нуждаются в «захватчиках рынка», а с другой – ​эта технология уже сегодня обладает всеми атрибутами прорывной технологии. Дальнейшее развитие ИИ будет характеризоваться продолжением поиска процессорной технологии, способной преодолеть ограничения закона Мура, доступа к памяти и потребления энергии. Распространение нейроморфных вычислений поначалу может остаться незамеченным, но с реальным появлением больших кристаллов и соответствующих методов управления режимом электропитания просто полезная концепция может превратиться в необходимую к применению.


Sanchez Adrien. Neuromorphic Processing Set to Propel Growth in AI. Vision Spectra, Spring 2021: https://www.photonics.com/Articles/Neuromorphic_Processing_Set_to_Propel_Growth_in_AI/a66821


ЧИТАЙТЕ ТАКЖЕ

Выпуск 22(6746) от 11 ноября 2021 г. г.
Выпуск 21(6745) от 28 октября 2021 г. г.