خبر

  • تک بورد - درک محاسبات نورومورفیک و اینکه چرا اینتل از آن هیجان زده است

    درک محاسبات نورومورفیک و اینکه چرا اینتل از آن هیجان زده است
    22 روز و 5 ساعت قبل

    پردازنده های Loihi اینتل دارای وسایل الکترونیکی هستند که بسیار شبیه به نورون ها عمل می کنند.
    شبکه های عصبی با وجود نامشان ، فقط با انواع چیزهایی که در مغز پیدا می کنید ارتباطی بسیار دور دارند. در حالی که سازمان آنها و نحوه انتقال داده ها از طریق لایه های پردازش ممکن است شباهت های زیادی با شبکه های عصبی واقعی داشته باشند ، داده ها و محاسبات انجام شده بر روی آن برای یک CPU استاندارد بسیار آشنا

    مایک دیویس ، مدیر آزمایشگاه محاسبات عصبی اینتل ، تلاش های این شرکت را در این زمینه توضیح می دهد. و با عرضه یک تراشه عصبی جدید در این هفته ، او از طریق به روزرسانی ها با Ars صحبت کرد.

    اما شبکه های عصبی تنها راهی نیستند که مردم سعی کرده اند از سیستم عصبی درس بگیرند. یک رشته جداگانه به نام محاسبات نورومورفیک وجود دارد که بر اساس تقریب رفتار هر یک از نورون ها در سخت افزار است. در سخت افزار نورومورفیک ، محاسبات توسط تعداد زیادی واحد کوچک انجام می شود که با یکدیگر از طریق فعالیتهای متوالی به نام سنبله ارتباط برقرار می کنند و رفتار خود را بر اساس خوشه هایی که از دیگران دریافت می کنند ، تنظیم می کند.

    روز پنجشنبه ، اینتل جدیدترین تکرار سخت افزار عصبی خود ، به نام Loihi. نسخه جدید شامل مواردی است که از اینتل انتظار دارید: یک فرآیند بهتر و برخی پیشرفتهای اولیه محاسباتی. اما همچنین دارای برخی تغییرات سخت افزاری اساسی است که به آن اجازه می دهد کلاس های کاملاً جدیدی از الگوریتم ها را اجرا کند. و در حالی که Loihi در حال حاضر یک محصول متمرکز بر تحقیقات است ، اینتل همچنین کامپایلری را منتشر می کند که امیدوار است مورد استقبال گسترده تری قرار گیرد.

    برای درک منطقی Loihi و موارد جدید در این نسخه ، بیایید پشتیبان گیری کرده و شروع کنیم با نگاهی به اندکی نوروبیولوژی ، سپس از آنجا بسازید.

    از نورون ها تا محاسبه

    اساس سیستم عصبی نوع سلولی به نام نورون است. همه نورون ها دارای چند ویژگی عملکردی مشترک هستند. در یک انتهای سلول ساختاری به نام دندریت وجود دارد که می توانید آن را به عنوان گیرنده تصور کنید. این جایی است که نورون ورودی های دیگر سلول ها را دریافت می کند. سلولهای عصبی همچنین دارای آکسون هایی هستند که به عنوان فرستنده عمل می کنند و با سلولهای دیگر ارتباط برقرار می کنند تا سیگنال ها را منتقل کنند. غشای سلولی نورون سنبله ها از آکسون ها پایین می روند تا زمانی که به محل اتصال با سایر سلول ها (سیناپس ها) می رسند ، و در آن زمان به یک سیگنال شیمیایی تبدیل می شوند که به دندریت نزدیک منتقل می شود. این سیگنال شیمیایی کانال هایی را باز می کند که به یون ها اجازه می دهد به داخل سلول سرازیر شوند و یک جهش جدید در سلول دریافت کننده ایجاد می کند. نشان می دهد که باید آرام باشد ، در گذشته چقدر فعال بود و غیره - و از آن برای تعیین وضعیت فعالیت خود استفاده می کند. هنگامی که یک آستانه عبور می کند ، باعث افزایش سریع آکسون های خود می شود و به طور بالقوه باعث فعال شدن سایر سلول ها می شود.

    به طور معمول ، هنگامی که نورون دریافت نمی کند ، فعالیت های پراکنده و به طور تصادفی انجام می شود. ورودی زیاد با این حال ، هنگامی که شروع به دریافت سیگنال می کند ، به حالت فعال در می آید و دسته ای از خوشه ها را پی در پی شلیک می کند. آکسون (امتداد طولانی در پایین سمت راست) قابل مشاهده است. " src = "https://techbord.com/picsbody/2109/6132-1.jpg" alt = "https://techbord.com درک محاسبات نورومورفیک و اینکه چرا اینتل از آن هیجان زده است" srcset = "https://cdn.arstechnica.net/wp-content /uploads/2021/09/20130314-neuron-640x640.gif 2x "> بزرگنمایی/یک نورون ، با دندریت ها (برجستگی های برجسته در بالا) و قسمتی از آکسون (امتداد بلند در پایین سمت راست) قابل مشاهده است. NIH

    چگونه آیا این فرایند اطلاعات را رمزگذاری و دستکاری می کند؟ این یک س interestingال جالب و مهم است و ما به تازگی به آن پاسخ می دهیم.

    یکی از راه هایی که ما در مورد پاسخگویی به آن پیش رفته ایم ، چیزی است که به آن نوروبیولوژی نظری (یا نوروبیولوژی محاسباتی) گفته می شود. اینها شامل تلاش برای ایجاد مدلهای ریاضی بود که رفتار سیستمهای عصبی و نورونها را منعکس می کرد ، به این امید که این امر به ما امکان می دهد برخی از اصول اساسی را شناسایی کنیم. شبکه های عصبی که بر اصول سازمانی سیستم عصبی متمرکز بودند ، یکی از تلاش هایی بود که از این زمینه بیرون آمد. افزایش شبکه های عصبی ، که تلاش می کنند از رفتار تک تک نورون ها ایجاد شوند ، یکی دیگر است.

    افزایش شبکه های عصبی را می توان در نرم افزار روی پردازنده های سنتی پیاده سازی کرد. اما امکان پیاده سازی آنها از طریق سخت افزار نیز وجود دارد ، همانطور که اینتل با Loihi انجام می دهد. در نتیجه یک پردازنده بسیار متفاوت از هر چیزی است که احتمالاً با آن آشنا هستید. به هر یک از این هسته ها دارای تعداد زیادی "نورون" یا واحد اجرایی هستند. هر یک از این نورونها می توانند ورودی را به صورت خوشه از هر نورون دیگر دریافت کنند - همسایه ای در یک هسته ، واحدی در هسته ای متفاوت در یک تراشه یا به طور کامل از تراشه ای دیگر. نورون سنبله هایی را که در طول زمان دریافت می کند ، ادغام می کند و بر اساس رفتاری که با آن برنامه ریزی شده است ، از آن برای تعیین زمان ارسال خوشه های خود به هر سلول عصبی که با آن ارتباط دارد استفاده می کند.

    همه سیگنال های سنبله رخ می دهد به صورت غیر همزمان در فواصل زمانی تعیین شده ، هسته های x86 تعبیه شده بر روی یک تراشه باعث هماهنگ سازی می شوند. در آن زمان ، نورون وزن اتصالات مختلف خود را مجدداً تغییر می دهد - اساساً چقدر باید به همه نورون های فردی که به آن سیگنال می فرستند توجه شود.

    به عنوان یک نورون واقعی ، بخشی از واحد اجرایی روی تراشه به عنوان دندریت عمل می کند و سیگنال های دریافتی از شبکه ارتباطی را تا حدی بر اساس وزن ناشی از رفتار گذشته پردازش می کند. سپس از یک فرمول ریاضی برای تعیین زمان عبور فعالیت از یک آستانه بحرانی و برای ایجاد جهش های خود هنگام استفاده استفاده شد. سپس "آکسون" واحد اجرا به دنبال سایر واحدهای اجرایی است که با آنها ارتباط برقرار می کند و برای هر کدام یک تپه ارسال می کند. به یک نورون تنها زمانی ثبت می شود که یک نورون دریافت کند.

    برخلاف پردازنده معمولی ، هیچ RAM خارجی وجود ندارد. در عوض ، هر نورون دارای یک حافظه کوچک برای استفاده از آن است. این شامل وزنه هایی است که به ورودی های نورون های مختلف اختصاص می دهد ، ذخیره فعالیت های اخیر ، و لیستی از سایر سلول های عصبی که به آنها سنبله ارسال می شود.

    یکی از تفاوت های بزرگ دیگر بین تراشه های نورومورفیک و پردازنده های سنتی کارآیی انرژی دارند ، جایی که تراشه های نورومورفیک بسیار جلوتر ظاهر می شوند. IBM ، که تراشه TrueNorth خود را در سال 2014 معرفی کرد ، توانست کار مفیدی را از آن انجام دهد ، هرچند در یک کیلوگرم هرتز زمان بندی شده بود ، و کمتر از .0001 درصد از توان مورد نیاز برای شبیه سازی یک شبکه عصبی تیز استفاده می کرد. در پردازنده های سنتی مایک دیویس ، مدیر آزمایشگاه محاسبات نورومورفیک اینتل ، گفت که پردازنده های Loihi در برخی از حجم کاری خاص ، 2000 برابر پردازش می کنند. وی افزود: "ما به طور معمول 100 برابر [انرژی کمتر] برای SLAM و سایر بارهای روباتیک پیدا می کنیم."





خبرهای دیگر از علوم پایه