Barbara De Salvo, cientista-chefe da CEA-Leti, apontou que, desde o início da Inteligência Artificial (AI) em meados da década de 1950, houve muitas voltas em relação à AI, apesar de muitos cientistas e engenheiros estarem sempre interessados no conceito.
Agora, no entanto, é hora de examinar as tecnologias humanas inspiradas no cérebro, pelo menos, "devemos reconhecer que existem outros paradigmas de tecnologia que nos ajudarão a apresentar boas perguntas". De Salvo na Conferência Internacional de Circuitos de Estado Sólido deste ano (ISSCC), depois de receber uma entrevista do EE Times depois de entregar um discurso principal, disse: "Sem os novos paradigmas e algoritmos, a indústria acabará por encontrar mais difícil atender a requisitos de energia mais rígidos".
Enquanto a indústria vem empurrando plataformas de AI embutidas, como a Myriad 2 da Movidius, o EyeQ5 da Mobileye e o Xavier da Nvidia, para atender a demanda por dispositivos finais que lidam com grandes quantidades de análise com menos energia, ela ressalta: Estamos muito longe do que precisamos alcançar ".
De Salvo compara a eficiência computacional (GOPS / W) da fase corolariana e o GOPS de vários chips AI durante um discurso principal.
Ela apontou que ainda existe uma grande lacuna entre as necessidades da indústria e as soluções existentes. "Não há chips - seja para lançamento comercial, protótipos, chips para design ou desenvolvimento na academia - são capazes de fornecer menos de 100μW No entanto, isso é exatamente o que os dispositivos de bordo precisam alcançar porque eles precisam confiar em colheita de energia ou baterias em miniatura nos próximos anos.
Por que retornar à pesquisa do cérebro humano?
De Salvo disse que sabemos que o cérebro humano pesa cerca de 2% do corpo, mas usa 20% do metabolismo do corpo.
O cérebro humano processa 1.011 GOPS em 20 W. De Salvo enfatiza que, até agora, não houve qualquer processador no mundo que tenha desempenho e poder comparáveis para o cérebro humano.
De Salvo explicou que esta classe de eficiência energética evoluiu ao longo da evolução humana por um longo tempo, maximizando a função cerebral e minimizando o uso de energia.
É aí que a indústria de semicondutores toma emprestado da biologia, disse ela, e as arquiteturas de computação tradicionais estão voltadas para atender aos requisitos de energia, principalmente porque "a energia é consumida sempre que o processador e a memória estão se comunicando". Em contrapartida, As sinapses do cérebro contêm memória e aritmética em uma única arquitetura, e ela explica que essa engenhosa técnica fornece as bases para uma arquitetura de computador não-von Neumann inspirada no cérebro.
A essência dos princípios de operação inspirados no cérebro reside em coisas como a codificação de espiga e a plasticidade dependente do tempo de pico (STDP), etc. Ela ressalta que em termos do estado dos neurônios codificados no sistema : No passado, os neurônios foram codificados usando analogias ou números, a tendência mais recente na computação neuromórfica, no entanto, é codificar o valor de um neurônio como pulso ou espiga, e ela explica: "Os neurônios não possuem relógio e são puramente orientados para eventos '
A comunidade científica acredita que a codificação de pico e STDP têm promessa. Se o sinal de entrada / saída for representado por um pulso (pico), a multiplicação entre o sinal de entrada e o peso sináptico cairá para o gatilho no nível sináptico. O objetivo aqui é reduzir o consumo de energia através da configuração de pontos ou sinalização baseada em eventos usando soluções heterogêneas.
Isso é exatamente como a tecnologia de processamento de imagem baseada em eventos da Chronocam? Ela respondeu: "Sim, mas a solução da Chronocam é voltada para a" visão "da retina artificial e nossa missão industrial é aplicar princípios neuromórficos Expandir além de toda a área de computação além da visão ".
De Salvo disse que o TrueNorth da IBM é um exemplo ideal de um chip CMOS neuromórfico. Hoje em dia, o DynapSEL, um processador neuromórfico dinâmico construído com 28nm FD-SOI, é um processador neuromórfico multi-core de grande escala Como outro exemplo, o DynapSEL é atualmente um dos programas de desenvolvimento no âmbito do NeuRAM 3 European Cooperative Research Program.
Enquanto os neurônios no TrueNorth são processados digitalmente, o DynapSEL é análogo, no entanto, nenhum desses chips efetivamente executa o poder total do sistema neuromórfico porque a memória não se baseia no funcionamento da neuromorfologia.
A comunidade científica está tentando mover a memória para a unidade de processamento, revolucionando a hierarquia de memória tradicional e implementando "computação em memória". Até agora, o hardware neuromórfico ainda não atingiu seu potencial, De Salvo disse: Precisamos usar arquiteturas 3D ultra-alta densidade na computação neuromórfica para alcançar a máxima conectividade e reconfigurabilidade entre neurônios e sinapses.
Cérebro de insetos
Agora sabemos que existem 100 bilhões de neurônios em nossos cérebros, e insetos inteligentes como abelhas têm cerca de 950,000 neurônios em cerca de 1 mm de cérebro cuboide De Salvo apontou que em todos os tipos de insetos, os cérebros das abelhas são os maiores Ela disse: "Nós dominamos o mapeamento neuronal no cérebro da abelha, contudo conhecemos pouco sobre os neurônios no cérebro humano".
Os cientistas estão interessados em perfilar os cérebros das abelhas porque "as abelhas são tão inteligentes". As abelhas têm muitos sensores que podem navegar através de seus meios de navegação e saber como se comunicar em um grupo. Para viver juntos em um grupo, as abelhas devem Conheça a função de outras abelhas.
"É claro que o cérebro da abelha é pequeno, mas sua forma simplificada fornece um bom modelo para o sistema AI", disse De Salvo: "Enfatiza a necessidade de pensar de forma sistemática porque o organismo não separa o sensor do sinal Processamento.
AI progresso mais recente?
Há dez anos, ninguém poderia imaginar o avanço que estamos vendo agora na IA.
No entanto, de acordo com De Salvo, a indústria pode mudar seu foco muito rápido para aplicações de AI devido à perspectiva de AI, na verdade, ela disse: "Ainda falta uma compreensão completa do sistema de AI ... apenas como aprendizado profundo".
Ela explicou que existe uma camada oculta no aprendizado profundo e a complexidade resultante do sistema, o que torna difícil dizer quais atributos têm a maior responsabilidade de melhorar o desempenho. "Comparado com inteligência geral, aprendizado, abstração e raciocínio A prevalência alcançada ainda é muito limitada.
O aprendizado profundo é excelente em termos de classificação, mas "a previsão continua a ser uma questão fundamental na computação neuronal", disse De Salvo: "Recentemente, a rede neural não realizou tarefas simples que os humanos nunca perderam". Salvo e citando A. Nguyen et al., 'Deep Neural Networks são facilmente enganadas: Previsões de alta confiança para imagens não reconhecidas', ela se preocupa com isso Eventualmente, dificulta o desenvolvimento do mercado e até mesmo "traiu a confiança dos usuários, o que levou a sérias questões morais".
Compilar: Susan Hong