CEA-Leti capo scienziato Barbara De Salvo sottolineato che a partire dalla metà degli anni 1950, l'intelligenza artificiale (AI) sono reso conto, anche se ci sono molti scienziati e ingegneri sono stati molto interessati a questo concetto, ma la ricerca su AI ha colpi di scena.
Ora, tuttavia, è il momento di dare un'occhiata alle tecnologie ispirate al cervello umano, almeno, "dovremmo riconoscere che ci sono altri paradigmi tecnologici che ci aiuteranno a presentare buone domande." "De Salvo alla Conferenza internazionale sui circuiti allo stato solido di quest'anno (ISSCC), dopo aver ricevuto un'intervista EE Times dopo aver tenuto un discorso programmatico, ha dichiarato: "Senza i nuovi paradigmi e algoritmi, il settore alla fine troverà più difficile soddisfare requisiti energetici più stringenti".
Mentre l'industria ha spinto piattaforme AI integrate come Myriad 2 di Movidius, EyeQ5 di Mobileye e Xavier di Nvidia, al fine di soddisfare la domanda di dispositivi finali che gestiscono grandi quantità di analisi con meno energia, sottolinea: Siamo molto lontani da ciò che dobbiamo raggiungere ".
De Salvo confronta l'efficienza computazionale (GOPS / W) della fase corollaria e il GOPS di diversi chip di intelligenza artificiale durante un discorso programmatico.
Ha sottolineato che c'è ancora un grande divario tra le esigenze del settore e le soluzioni esistenti. "Nessun chip, che si tratti di versioni commerciali, prototipi, chip per la progettazione o lo sviluppo nel mondo accademico, è in grado di fornire meno di 100μW Tuttavia, questo è esattamente ciò che i dispositivi periferici devono ottenere perché devono fare affidamento sulla raccolta di energia o sulle batterie miniaturizzate per gli anni a venire.
Perché tornare alla ricerca sul cervello umano?
De Salvo ha detto che sappiamo che il cervello umano pesa circa il 2% del corpo, eppure utilizza il 20% del metabolismo del corpo.
Il cervello umano elabora 1.011 GOPS a 20 W. De Salvo sottolinea che fino ad ora non c'è stato nessun processore al mondo che abbia prestazioni e potenza paragonabili al cervello umano.
De Salvo ha spiegato che questa classe di efficienza energetica si è evoluta nel corso dell'evoluzione umana per un lungo periodo, massimizzando la funzione cerebrale riducendo al minimo il consumo di energia.
È qui che l'industria dei semiconduttori prende in prestito dalla biologia, ha affermato, e le architetture di calcolo tradizionali sono orientate a soddisfare i requisiti di alimentazione principalmente perché "l'energia viene consumata ogni volta che il processore e la memoria comunicano". Le sinapsi cerebrali contengono memoria e aritmetica in un'unica architettura, e spiega che questa tecnica ingegnosa fornisce le basi per un'architettura computerizzata non von von Neumann ispirata al cervello.
L'essenza dei principi di funzionamento ispirati al cervello risiede in cose come la codifica degli spike e la plasticità dipendente dal timing spike (STDP), ecc. Ella sottolinea che in termini di stato dei neuroni codificati nel sistema : In passato, i neuroni erano codificati usando analogie o numeri, la tendenza più recente nel calcolo neuromorfico, tuttavia, è quella di codificare il valore di un neurone come impulso o picco, e spiega: "I neuroni non hanno orologio e sono puramente orientati agli eventi di '.
La comunità scientifica ritiene che la codifica degli spike e lo STDP abbiano promesso. Se il segnale di ingresso / uscita è rappresentato da un impulso (picco), la moltiplicazione tra il segnale di ingresso e il peso sinaptico cadrà nel gating a livello sinaptico. L'obiettivo qui è quello di ridurre il consumo di energia impostando picchi o segnali basati su eventi utilizzando soluzioni eterogenee.
È proprio come la tecnologia di elaborazione delle immagini basata sugli eventi di Chronocam? "Sì, ma la soluzione di Chronocam è mirata alla" visione "della retina artificiale e la nostra missione industriale è applicare i principi neuromorfici Espandere oltre l'intera area di calcolo oltre la visione. '
De Salvo detto, TrueNorth di IBM è un esempio ideale di neuromorfo chip CMOS dinamico neuromorfo attualmente 28nm FD-SOI costruire scalabili processori eterogenei apprendimento (DynapSEL), è una grande scala processori multi-core neuromorfici un altro esempio. DynapSEL NeuRAM è attualmente una delle cooperazione del progetto europeo di ricerca piano di sviluppo 3.
Mentre i neuroni in TrueNorth vengono elaborati digitalmente, DynapSEL è analogo, tuttavia nessuno dei due chip svolge efficacemente la piena potenza del sistema neuromorfico poiché la memoria non si basa sul funzionamento della neuromorfologia.
La comunità scientifica sta cercando di avvicinare la memoria all'unità di elaborazione, rivoluzionando la tradizionale gerarchia della memoria e implementando il "calcolo in memoria". Finora, l'hardware neuromorfico non ha ancora raggiunto il suo pieno potenziale, ha affermato De Salvo: Abbiamo bisogno di utilizzare architetture 3D ad altissima densità nel calcolo neuromorfico per ottenere la massima connettività e riconfigurabilità tra neuroni e sinapsi.
Insect cervello
Ci sono ormai noti per il cervello umano ha 100 miliardi di neuroni, e altri insetti intelligenti come api in un cubo 1 millimetro circa le dimensioni del loro cervello, ci sono 950.000 neuroni. De Salvo ha sottolineato in una varietà di insetti, il cervello delle api è la più grande ha detto: 'siamo stati in grado di cogliere i neuroni nella mappatura del cervello delle api, tuttavia, per yuan nervose del cervello umano scarsamente compresi.'
Gli scienziati sono pronti a sezionare il cervello delle api, in quanto il 'ape è molto intelligente.' Bee 'Ci sono molti sensori in grado di foraggiamento attraverso la sua navigazione, e sanno come comunicare in un gruppo. Per vivere insieme in un gruppo, le api devono Conosci la funzione delle altre api.
"Certo, il cervello dell'ape è piccolo, ma la sua forma semplificata fornisce un buon modello per il sistema di intelligenza artificiale", ha affermato De Salvo: "Sottolinea la necessità di pensare in modo sistematico perché l'organismo non separa il sensore dal segnale processo '.
AI ultimi progressi?
Dieci anni fa, nessuno poteva immaginare la svolta che stiamo vedendo ora in AI.
Tuttavia, secondo De Salvo, l'industria potrebbe spostarsi troppo velocemente verso le applicazioni AI a causa della prospettiva dell'IA, infatti ha detto: "Manca ancora una piena comprensione del sistema di intelligenza artificiale ... proprio come l'apprendimento profondo".
Ha spiegato che c'è una stratificazione nascosta nell'apprendimento profondo e la conseguente complessità del sistema che rende difficile dire quali attributi hanno la maggiore responsabilità nel migliorare le prestazioni. "Rispetto all'intelligenza generale, all'apprendimento, all'astrazione e al ragionamento La prevalenza raggiunta è ancora molto limitata.
L'apprendimento profondo è eccellente in termini di classificazione, ma "la previsione rimane un problema fondamentale nel calcolo neuronale", ha affermato De Salvo: "Recentemente, la rete neurale non è riuscita a svolgere semplici compiti che gli umani non hanno mai mancato." De Salvo e citando A. Nguyen et al., "Le reti neurali profonde sono facilmente ingannate: pronostici di alta fiducia per le immagini non riconosciute", si preoccupa che Alla fine ostacolano lo sviluppo del mercato e persino "hanno tradito la fiducia degli utenti, il che ha portato a seri interrogativi morali".
Compilare: Susan Hong