Нейроморфная технология от IBM и Intel может оказаться полезной для анализа рентгеновских снимков и фондовых рынков

Вдохновленные мозгом «нейроморфные» микрочипы от IBM и Intel могут быть полезны не только для искусственного интеллекта. В новом исследовании говорится, что они также могут оказаться идеальными для класса вычислений, полезных в широком спектре применений, включая анализ медицинских рентгеновских лучей и финансовую экономику.

Ученые давно пытались имитировать работу мозга с помощью программ, известных как нейронные сети, и аппаратных средств, известных как нейроморфные чипы. До сих пор нейроморфные вычисления были в основном сосредоточены на реализации нейронных сетей. Было неясно, может ли это оборудование оказаться полезным помимо приложений ИИ.

Нейроморфные чипы обычно имитируют работу нейронов различными способами, например, выполняя множество вычислений параллельно. Кроме того, точно так же, как биологические нейроны и вычисляют, и хранят данные, нейроморфное оборудование часто стремится объединить процессоры и память, потенциально уменьшая энергию и время, которые обычные компьютеры теряют при перемещении данных между этими компонентами. 

В то время как обычные микрочипы используют сигналы, запускаемые через регулярные промежутки времени, для координации действий цепей, активность в нейроморфной архитектуре часто проявляется в виде скачков, срабатывающих только тогда, когда электрический заряд достигает определенного значения, что очень похоже на то, что происходит в мозге, подобном нашему.

До сих пор основное преимущество нейроморфных вычислений заключалось в энергоэффективности: такие функции, как всплески и объединение памяти и обработки, привели к появлению чипа IBM TrueNorth, плотность мощности которого была на четыре порядка ниже, чем у обычных микропроцессоров того времени.

«Из многих исследований мы знаем, что нейроморфные вычисления будут иметь преимущества в плане энергоэффективности, но на практике людей не волнует экономия энергии, если это означает, что вы работаете намного медленнее»

Джеймс Брэдли Аймоне старший автор исследования, нейробиолог-теоретик из Sandia National Laboratories

Теперь ученые считают, что нейроморфные компьютеры могут оказаться хорошо подходящими для так называемых методов Монте-Карло, где проблемы по существу рассматриваются как игры, а решения достигаются посредством множества случайных симуляций или «прогулок» этих игр.

«Мы пришли к случайным блужданиям, рассматривая проблемы, которые не очень хорошо масштабируются на обычном оборудовании. Обычно решения методом Монте-Карло требуют большого количества случайных обходов, чтобы обеспечить хорошее решение, и хотя по отдельности то, что делает каждый обходчик с течением времени, несложно вычислить, на практике необходимость выполнять много таких обходов становится непомерно высокой»

Джеймс Брэдли Аймоне старший автор исследования, нейробиолог-теоретик из Sandia National Laboratories

Напротив, вместо того, чтобы параллельно моделировать группу случайных блуждающих объектов, каждый из которых выполняет свои собственные вычисления, ученые могут запрограммировать единую нейроморфную сетку цепей для представления всех вычислений, которые может выполнять случайное блуждание, а затем, думая о каждом случайном блуждании, как шип, движущийся по сетке, решить всю проблему за один раз.

В частности, точно так же, как предыдущие исследования показали, что квантовые вычисления могут демонстрировать «квантовое преимущество» перед классическими вычислениями в большом наборе задач, исследователи обнаружили, что «нейроморфное преимущество» может существовать, когда речь идет о случайных блужданиях через цепи Маркова с дискретным временем. 

«Если вы представляете себе задачу как настольную игру, то здесь «цепочка» означает игру, проходя через последовательность состояний или пространств. Цепи Маркова означают, что следующее место в игре, на которое вы можете перейти, зависит только от вашего текущего места, а не от вашей предыдущей истории, как в случае с настольными играми, такими как «Монополия» или «Страна конфет». «Дискретное время» просто означает, что между меняющимися пространствами происходит фиксированный интервал времени — поворот»

Дарби Смит ведущий автор исследования, прикладной математик из Sandia

В экспериментах с нейроморфными чипами IBM TrueNorth и Intel Loihi, процессором Intel Xeon E5-2662 серверного класса и графическим процессором Nvidia Titan Xp ученые обнаружили, что когда дело доходит до решения этого класса задач в больших масштабах, нейроморфные чипы оказались эффективнее обычных полупроводников с точки зрения энергопотребления и конкурентоспособности, если не лучше, с точки зрения времени.

«Я очень верю, что нейроморфные вычисления для ИИ — это очень интересно, и что аппаратное обеспечение, основанное на мозге, приведет к созданию более умного и мощного ИИ. Но в то же время, показывая, что нейроморфные вычисления могут быть эффективными в обычных вычислительных приложениях, технология может оказать гораздо более широкое влияние на общество»

Джеймс Брэдли Аймоне старший автор исследования, нейробиолог-теоретик из Sandia National Laboratories

Одним из способов достижения преимущества нейроморфных чипов в производительности и энергоэффективности была высокая степень параллелизма. Усугубляла это способность представлять каждое случайное блуждание как один всплеск активности вместо более сложного набора действий.

«Большое ограничение этих методов Монте-Карло заключается в том, что нам нужно моделировать множество ходунков. Поскольку всплески — это такой простой способ представления случайного блуждания, добавление дополнительного случайного блуждающего элемента — это просто добавление в систему одного дополнительного всплеска, который будет работать параллельно со всеми остальными. Таким образом, временные затраты на дополнительного ходунка очень дешевы»

Джеймс Брэдли Аймоне старший автор исследования, нейробиолог-теоретик из Sandia National Laboratories

Способность эффективно решать этот класс проблем имеет широкий спектр потенциальных применений, таких как моделирование акций и опционов на финансовых рынках, лучшее понимание того, как рентгеновские лучи взаимодействуют с костями и мягкими тканями, отслеживание того, как информация перемещается в социальных сетях, и моделирование того, как болезни перемещаются по группам населения. Аймоне считает, что «применения этого подхода повсюду».

Но тот факт, что для некоторых задач может существовать нейроморфное преимущество, «не означает, что компьютеры, вдохновленные мозгом, могут делать все лучше, чем обычные компьютеры», предупреждает Аймоне. По его словам, будущее вычислений, вероятно, связано с сочетанием различных технологий. Ученые не пытаются сказать, что нейроморфия заменит все.

В настоящее время ученые изучают способы управления взаимодействием между несколькими «ходунками» или участниками этих сценариев, что позволит использовать такие приложения, как моделирование молекулярной динамики. Они также разрабатывают программные инструменты, чтобы помочь другим разработчикам работать над этим исследованием.