در حالی که محاسبات نورومورفیک در حال حاضر تحت تحقیق است، تلاشها در این زمینه در طول سالها به رشد خود ادامه داده است، همانطور که قابلیتهای تراشههای تخصصی که برای این تحقیق توسعه داده شدهاند، رشد کرده است. به دنبال این خطوط، امروز صبح آزمایشگاههای ملی اینتل و ساندیا استقرار سیستم نورومورفیک Hala Point را جشن میگیرند، که این دو معتقدند سیستم بالاترین ظرفیت در جهان است. با 1.15 میلیارد نورون به طور کلی، Hala Point بزرگترین استقرار تراشه عصبی Loihi 2 اینتل است که برای اولین بار در انتهای سال 2021 معرفی شد.
سیستم Hala Point دارای 1152 پردازنده Loihi 2 است که هر کدام قادر به شبیه سازی یک میلیون نورون هستند. همانطور که در زمان عرضه Loihi 2 اشاره شد، این تراشه ها در واقع نسبتا کوچک هستند – فقط 31 میلی متر2 هر تراشه با 2.3 میلیارد ترانزیستور، زیرا آنها بر اساس فرآیند Intel 4 ساخته شده اند (یکی از تنها تراشه های اینتل که این کار را انجام می دهد، علاوه بر Meteor Lake). در نتیجه، سیستم کامل به طور مشابه کوچک است و تنها 6 واحد رک فضا را اشغال می کند (یا همانطور که Sandia دوست دارد آن را با اندازه یک مایکروویو مقایسه کند)، با مصرف برق 2.6 کیلو وات. اکنون که هالا پوینت آنلاین شده است، سیستم SpiNNaker را به عنوان بزرگترین سیستم نورومورفیک فاش شده از سلطنت خلع کرده است، و مسلماً فقط کمی بیشتر از نورون ها را با کمتر از 3٪ از سیستم 100 کیلوواتی بریتانیا ارائه می دهد.
یک تراشه Loihi 2 (31 میلی متر2)
Hala Point جایگزین سیستم عصبی قدیمیتر اینتل در Sandia، Pohoiki Springs میشود که بر اساس تراشههای Loihi نسل اول اینتل ساخته شده است. در مقایسه، هالا پوینت ده برابر تعداد نورونها و در مجموع 12 برابر عملکرد کلی را ارائه میدهد.
هر دو سیستم نورومورفیک توسط Sandia خریداری شده اند تا تحقیقات آزمایشگاه ملی را در زمینه محاسبات نورومورفیک پیش ببرند، یک الگوی محاسباتی که مانند مغز رفتار می کند. فکر اصلی (اگر جناس را معذورید) این است که با تقلید از نرم افزارهای مرطوب نگاری این مقاله، از تراشه های نورومورفیک می توان برای حل مشکلاتی استفاده کرد که امروزه پردازنده های معمولی نمی توانند آنها را حل کنند و همچنین می توانند این کار را با کارایی بیشتری انجام دهند.
Sandia به نوبه خود گفته است که از این سیستم برای بررسی محاسبات نورومورفیک در مقیاس بزرگ استفاده خواهد کرد و کار در مقیاسی فراتر از Pohoiki Springs انجام می شود. با ارائهی Hala Point که تعداد نورونهای شبیهسازیشده را تقریباً در سطح پیچیدگی مغز جغد ارائه میکند، آزمایشگاه معتقد است که یک سیستم در مقیاس بزرگتر سرانجام آنها را قادر میسازد تا به درستی از خواص محاسبات نورومورفیک برای حل مشکلات واقعی در زمینههایی مانند دستگاه استفاده کنند. فیزیک، معماری کامپیوتر، علوم کامپیوتر و انفورماتیک، بسیار فراتر از تظاهرات سادهای که در ابتدا در مقیاس کوچکتر به دست آمدند.
یکی از تمرکزهای جدید آزمایشگاه که به نوبه خود توجه اینتل را به خود جلب کرده است، کاربرد محاسبات نورومورفیک در استنتاج هوش مصنوعی است. از آنجایی که خود شبکههای عصبی پشت موج کنونی سیستمهای هوش مصنوعی تلاش میکنند از مغز انسان تقلید کنند، به یک معنا، درجاتی از همافزایی با تراشههای عصبی شبیهسازی مغز وجود دارد، حتی اگر الگوریتمها در برخی موارد کلیدی متفاوت باشند. با این حال، با توجه به اینکه بهره وری انرژی یکی از مزایای اصلی محاسبات نورومورفیک است، اینتل را وادار کرد تا بیشتر به این موضوع رسیدگی کند – و حتی یک سیستم دوم به اندازه Hala Point خود را بسازد.
به گفته اینتل، در تحقیقات خود بر روی Hala Point، این سیستم به بازدهی تا 15 TOPS بر وات با دقت 8 بیتی رسیده است، البته در حالی که از پراکندگی 10:1 استفاده می کند، و آن را بیش از رقابت با تراشه های تجاری نسل فعلی می کند. . به عنوان یک امتیاز اضافی به این کارایی، سیستمهای نورومورفیک نیازی به پردازش و دستهبندی گسترده داده از قبل ندارند، که معمولاً برای استفاده مؤثر از آرایههای ALU با چگالی بالا در پردازندههای گرافیکی و پردازندههای مشابه GPU ضروری است.
با این حال، شاید جالبترین مورد استفاده از همه، امکان استفاده از محاسبات نورومورفیک برای فعال کردن شبکههای عصبی با دادههای اضافی در پرواز باشد. ایده پشت این امر اجتناب از آموزش مجدد است، همانطور که LLM های فعلی نیاز دارند، که به دلیل منابع محاسباتی گسترده مورد نیاز بسیار پرهزینه است. در اصل، این یک صفحه دیگر از نحوه عملکرد مغز است که امکان یادگیری مداوم و افزایش داده ها را فراهم می کند.
اما حداقل در حال حاضر، این موضوع یک موضوع مطالعه آکادمیک است. در نهایت، اینتل و سندیا میخواهند سیستمهایی مانند Hala Point به توسعه سیستمهای تجاری و احتمالاً در مقیاسهای بزرگتر منجر شوند. اما برای رسیدن به این هدف، محققان در Sandia و جاهای دیگر ابتدا باید از محصول فعلی سیستمها استفاده کنند تا الگوریتمهای خود را اصلاح کنند، و همچنین بهتر بفهمند که چگونه میتوانند حجمهای کاری بزرگتر را به این سبک از محاسبات ترسیم کنند تا کاربردشان را در بزرگتر ثابت کنند. ترازو.CP
مرجع اخبار سخت افزار کامپیوترایران
تحریریه Techpowerup