امروز صبح ، اینتل آمادگی عمومی Pohoiki Springs را اعلام کرد ، یک سیستم عصبی مجهز به قدرتمندترین سیستم تحقیقاتی خود که حاوی اندازه ۵ سرور استاندارد است. این شرکت می گوید این سیستم از طریق ابر(Cloud) با استفاده از Nx SDK اینتل و مؤلفه های نرم افزاری با کمک جامعه ، در اختیار اعضای انجمن تحقیقات نورومورفیک اینتل قرار خواهد گرفت و به آنها ابزاری برای مقیاس کردن تحقیقات عصبی نورومورفیک خود و کشف روشهای سرعت بخشیدن به بارهای کاری که آهسته اجرا می شوند ، می دهد. (معماری معمول امروز)
اینتل قدرتمندترین سیستم تحقیقاتی نورومورفیک
اینتل ادعا می کند Pohoiki Springs ، که در ماه ژوئیه سال ۲۰۱۹ رونمایی شد ، از نظر ظرفیت عصبی با مغز یک پستاندار کوچک مشابه است ، با ۷۶۸ تراشه Loihi و ۱۰۰ میلیون نورون در ۲۴ نخ گسترش Arria10 FPGA Nahuku (که شامل هر ۳۲ تراشه) است که در زیر ۵۰۰ وات این ظاهراً گامی در مسیر حمایت از بارهای بزرگتر و پیچیده تر عصب نورومورفیک است. در حقیقت ، فقط در این هفته ، اینتل نشان داد که از این تراشه ها می توان سیستم جدید نورومورفیک می‌تواند در یادگیری عمیق هوش مصنوعی کاربرد داشته باشد و نه‌تنها اطلاعات را سریعتر پردازش کند؛ بلکه بخش‌های مختلفی از اطلاعاتی را محاسبه کند که در آن لحظه موردنیاز انسان است.
سیستم‌های تحقیقاتی نورومورفیک در درجه‌ی اول در پایگاه‌های داده استفاده قرار می‌شوند؛ یعنی پلتفرم‌هایی که برای ایجاد تغییر در تفاوت‌ها طراحی شده‌اند و برای مثال محدودیت‌ها و مشکلات را رفع می‌کنند. مشکلات یادشده می‌تواند وظایف ساده‌ای همچون برنامه‌ریزی برای تحویل بسته یا مشکلات پیچیده‌ای مانند تخصیص سبد سهام یا کاهش ریسک نرخ بازگشت سرمایه باشد.
باتوجه‌به اینکه اینتل ظرفیت سیستم نورومورفیک را افزایش داده و تعداد تراشه‌های مجتمع Loihi را از ۲ به ۷۶۸ رسانده است، سیستم‌های این شرکت امکان یافته‌اند مشکلات پیچیده‌تر را بهتر حل کنند. درکنار افزایش قدرت پردازشی، سیستم جدید تیم آبی فقط ۵۰۰ وات توان مصرفی دارد که برای ۷۶۸ تراشه‌ی پردازشی Loihi بسیار پربازده است.
مهندسی نورومورفیک
همچنین به عنوان محاسبات نورومورفیک شناخته می شود ، استفاده از مدارهایی را توصیف می کند که از معماری عصبی بیولوژیکی سیستم عصبی تقلید می کنند. محققان اینتل ، IBM ، HP ، MIT ، پوردو ، استنفورد و سایرین امیدوارند که برای ساخت یک ابر رایانه هزار برابر قدرتمندتر از سایرین امروزه از آن استفاده کنند.
اینتل هشدار می دهد که سیستم های عصبی مانند Pohoiki Springs هنوز در مرحله تحقیق هستند و برای جایگزینی سیستم های محاسباتی معمولی در نظر گرفته نشده اند. اما اینتل اظهار داشت که آنها ابزاری را برای محققان فراهم کرده اند تا الگوریتم های جدید الهام گرفته از عصبی را برای پردازش در زمان واقعی ، حل مسئله ، سازگاری و یادگیری بسازند.
به عنوان مثال ، تحقیقات اولیه نشان می دهد که تراشه های عصبی مانند لوحی در مشکلات رضایت از محدودیت برتری دارند ، که نیاز به ارزیابی تعداد زیادی از راه حل های بالقوه برای شناسایی یک یا معدودی از محدودیت های خاص دارند. سیستم های عصبی نیز نشان داده شده اند که به سرعت کوتاهترین مسیرها را در نمودارها شناسایی کرده و جستجوهای تقریبی تصویر را انجام می دهند ، همچنین بهینه سازی ریاضی را به طور خاص را در طول زمان در مشکلات بهینه سازی دنیای واقعی انجام می دهند.
معماری قدرتمندترین سیستم تحقیقاتی نورومورفیک
حاوی بیش از ۲ میلیارد ترانزیستور ، ۱۳۰،۰۰۰ نورون مصنوعی و ۱۳۰ میلیون سیناپس و همچنین سه هسته مدیریت Lakemont برای ارکستراسیون است.این تراشۀ منحصر به فرد ، Loihi دارای یک موتور میکروکد قابل برنامه ریزی برای آموزش همزمان تراشه شبکه های عصبی سنبله ناهمزمان (SNNs) یا مدل های AI است که زمان را در مدل عملیاتی خود قرار می دهد به گونه ای که اجزای مدل داده های ورودی را همزمان پردازش نمی کنند. اینتل ادعا می کند که این امر برای اجرای محاسبات موازی خود سازگار می باشند ، رویداد محور و ریزدانه سازگار با راندمان بالا استفاده می شود.
طبق گفته های اینتل ، Loihi اطلاعات را تا ۱۰۰۰ برابر سریعتر و ۱۰،۰۰۰ کارآمدتر از پردازنده های سنتی پردازش می کند و می تواند انواع خاصی از مشکلات بهینه سازی را با بیش از سه مرتبه افزایش در سرعت و بهره وری انرژی حل کند. علاوه بر این ، Loihi نتایج عملکرد در زمان واقعی را حفظ می کند و تنها در مقیاس ۵۰ برابر بیشتر از ۳۰٪ قدرت بیشتر مصرف می کند و تقریباً ۱۰۰ برابر انرژی کمتری از محل استفاده همزمان از CPU که بطور همزمان استفاده می شود ، استفاده می کند.
