訂閱電子報∣ 友善列印字體大小 文章分享-Facebook 文章分享-Plurk 文章分享-Twitter
神經形態晶片未來大有可期,美軍方都看好
獲取產業訊息零時差!立即訂閱電電公會電子報。
2017年,隨著機器學習、超大型主機、超級計算和其他領域的發展,新架構的故事仍在上演。

隨著穀歌定制 ASIC、量子電腦應用於新領域、FPGA在更廣泛的應用中尋找新路線、先進的GPU用於深度學習,以及以上所有這些技術的組合,我們可以發現我們對於非CMOS器件進行了認真的探索。當美國能源部宣佈了探索新架構的任務時,明確候選人之一似乎是神經形態晶片——這是一種高效的模式匹配器件,斯坦福(NeuroGrid)、曼徹斯特大學(Spinnaker)、英特爾、高通,當然還有IBM都在研發它,IBM曾經因TrueNorth架構而引領了神經形態領域。

在過去的幾年裡,隨著器件的發展,我們已經寫了很多關於神經形態晶片的未來。可以說,像IBM的TrueNorth晶片(2008年首次通過DARPA的SyNAPSE計畫,進行了幾年的研究後在2014年首次生產)這樣的架構已經重見天日,原因是人們重燃了機器學習的興趣,更廣泛地講,人們意識到了標準CMOS擴展即將結束。

總的來講,新架構比以往任何時候都要有趣得多,而神經形態只是不斷增加的列表中的其中一項。然而,在所有這些中,神經形態似乎獲得了更多的資金和真正的基礎,即使應用程式集仍然有限。

我們於2015年首次報導的應用於軍事領域的神經形態投資已經取得了成果。美國空軍研究實驗室(AFRL)和IBM正在共同努力,基於TrueNorth神經形態晶片架構設計64晶片陣列。儘管該技術的大規模計算應用仍在開發中,但由於各種機器人、無人機和其他設備的大小、重量和功率限制,AFRL仍然看到了高效嵌入式技術的前景。

“IBM為AFRL打造的可擴展平臺將會提供一個端到端的軟體生態系統,用於支援深度神經網路學習和資訊發現。64晶片陣列的先進模式識別和感覺處理能力將相當於6400萬個神經元和160億個突觸,而處理器元件的功耗僅僅相當於一個昏暗的燈泡——功率僅為10瓦。”

IBM的TrueNorth神經系統可以有效地將多個分散式感測器的資料(如圖像、視頻、音訊和文本)即時轉換為符號。AFRL將這個系統的“右腦”的感知能力與傳統電腦系統的“左腦”的符號處理能力結合起來。系統的超大規模將既支援“資料並行性”,即多來源資料可以針對相同的神經網路並行運行,又支援“模型並行性”,即獨立的神經網路形成一個整體,可以在相同的資料上並行運行。

美國空軍研究實驗室資訊部主任Daniel S. Goddard表示:“ARFL是最早使用TrueNorth將資料轉化為決策的機構。新的神經系統將被用於實現新的計算能力,這對於ARFL的使命——探索、規範、展示具有高影響力的改變遊戲規則的技術而言十分重要,使得美國空軍以及整個聯邦得以保持其優越的技術優勢。”

“IBM的 TrueNorth神經系統的發展是我們在人工智慧硬體創新領域引領行業的一個堅實的證據。在過去的六年裡,IBM已經將每個系統的神經元數量從256個增加到超過6400萬個,平均每年增加8倍。”IBM研究員,首席科學家,腦啟發計算專家Dharmendra S.Modha說道。

該系統適用於標準伺服器機架上的一個4U高(7”)空間,8個這樣的系統將使每個機架達到前所未有的5.12億個神經元。該系統中的單個處理器由54億個電晶體組成,這些電晶體組成了4096個神經核,創造了一個由100萬個數位神經元組成的陣列,它們通過2.56億個電子突觸相互通信。對於CIFAR-100資料集,TrueNorth實現了近乎最先進的精度,同時以> 1,500幀/秒的速度運行,功耗為200mW(效率高於每瓦7,000幀/秒)——所需要的速度和能量相比於在傳統電腦上運行同樣的神經網路都要低一個數量級。

空軍研究實驗室可能會著眼於未來更複雜的應用程式的實現。倫斯勒理工學院研究所計算創新中心主任Christopher Carothers在2015年對“下一代平臺”進行了描述,TrueNorth作為每個節點上的一個羽量級嵌入式管理單元如何找到新生命,從諸多元件中採集感測器資料,這更傾向於失敗,舉個例子來說,這就像一個節點密度為50000超級電腦( 就像Argonne國家實驗室2018年上線的那個)和有潛在故障的警報管理員(和調度程式)。這樣可以最大限度地減少停機時間,更重要的是,這樣允許調度程式繞過可能出現故障的地方,從而僅關閉系統的一部分,而非關閉整個機架。

空軍研究實驗室的130萬美元的投資將使得Carothers和他的團隊使用True North作為神經形態處理器的基礎,用於測試大規模集群配置,設計未來的百萬兆級的系統,以及測試神經形態處理器在大規模的機器上作為一個協同處理器來管理一些系統元素、預測元件故障方面的表現如何。本研究的核心是增加新的機器學習演算法,對於神經形態處理器設備系統的説明不僅體現在通過大量的設備感測器跟蹤潛在的元件問題,而且包括學習這些故障發生的原因(例如,通過跟蹤這些設備“喋喋不休”,認識到某些活動的增加表明某些元素的弱化)。

隨著各個廠商(尤其是英特爾和高通)對神經形態計算的投資,我們預計在未來的一年裡,這些期間將會有更多的動力。然而,就像我們在過去幾年裡採訪過的一些人一樣,構建一個可程式設計和功能性的軟體堆疊仍然是一個挑戰。如果沒有一個生態系統,那麼沒有一個架構能夠蓬勃發展,而AFRL則是為其應用程式在陣列上運行而定制的,為了市場生存,這些器件可能需要數年的軟體堆疊創新才能躋身主流行列。
訂閱電子報 友善列印 字體大小:
獲取產業訊息零時差!立即訂閱電電公會電子報。