Ученым удалось сделать работу микросхем похожей на деятельность человеческого мозга

В то время как темпы машинного обучения ускорились в течение последнего десятилетия, базовое оборудование для него не сильно изменилось: вычислительные устройства (процессоры) и графические процессоры (GPU), объединенные в крупные центры обработки данных, пишет CNBC.

Среди самых современных технологий – нейроморфные вычисления, благодаря которым компьютерные микросхемы будут работать, как человеческий мозг - поэтому они способны обрабатывать множество фактов и задач обучения с молниеносной скоростью. Ранее в этом году исследователи из Массачусетского технологического института (МТИ) представили революционный проект нейроморфных кристаллов, который может стать следующим скачком для технологии ИИ.

Секрет кроется в создании искусственного синапса для аппаратного обеспечения "brain on a chip". Сегодняшние цифровые микропроцессоры делают вычисления на основе двоичных сигналов. Нейроморфные чипы, в свою очередь, обмениваются электрическими сигналами с различной интенсивностью, подобно нейронам в мозге.

Исследование МТИ, опубликованное в журнале Nature Materials в январе, продемонстрировало новую разработку нейроморфного процессора из кремниевого германия. Такая структура позволяет исследователям точно контролировать интенсивность электрического тока. В одной симуляции команда МТИ обнаружила, что чип может копировать человеческий почерк с 95% точностью.

"Эффективная работа нейронной сети на суперкомпьютере очень точная. Однако он потребляет много энергии", - прокомментировал ведущий исследователь МТИ Джехван Ким. – "В дальнейшем можно будет создавать процессоры, способные выполнять задачи машинного обучения с существенно более низкими потребностями в энергии. Это могло бы ускорить развитие гуманоидных и автономных технологий".

Еще плюсами являются экономичность и портативность. Считается, что небольшие нейроморфные чипы потребляют гораздо меньше энергии - возможно, даже до 1 000 раз меньше - при одновременной эффективной обработке миллионов вычислений одновременно, что в настоящее время возможно только на больших суперкомпьютерах.

Нынешний рынок чипов для машинного обучения достаточно велик. В прошлом году, по данным Intersect360, он стоил около 4,5 млрд долларов. Нейроморфные чипы составляют лишь крошечную его часть. По данным Deloitte, в этом году, вероятно, будет продано менее 10 000 нейроморфных чипов, тогда как графических процессоров реализуют более 500 000.

Сначала графические процессоры были разработаны Nvidia в 1990-х годах для компьютерных игр. Впоследствии исследователи обнаружили, что они очень эффективны для машинного обучения благодаря искусственным нейронным сетям, которые запускаются на суперкомпьютерах и позволяют выполнять задачи обучения, составляющие основные сегменты любого рабочего процесса ИИ.

Эволюция машинного обучения

В последние годы небольшие стартапы и крупные компании изменили свое строение микросхем, чтобы соответствовать требованиям новых рабочих нагрузок искусственного интеллекта, включая автономное управление автомобилем и распознавание речи. Два года назад, по данным Deloitte, почти все задачи машинного обучения, в которых задействованы искусственные нейронные сети, использовали большое количество графических процессоров. В этом году новые чипы, такие как FPGA (программируемые логические интегральные схемы) и ASIC (специализированные интегральные схемы) составляют большую часть чипов для машинного обучения в центрах обработки данных.

"Новые микросхемы должны резко увеличить использование машинного обучения, позволяя приложениям потреблять меньше энергии и в то же время стать более гибкими и способными", - говорится в аналитическом отчете Deloitte.

"Нейроморфные вычисления не заменят традиционные, но я считаю, что это будет ключевая технология для автономных автомобилей и робототехники", - заявил главный научный сотрудник IBM в области интеллектуальных вычислений Дхармендра С. Модха.