jefe científico CEA-Leti Barbara De Salvo señalado que desde mediados de la década de 1950, la inteligencia artificial (IA) amaneció, aunque hay muchos científicos e ingenieros han estado muy interesados en este concepto, pero la investigación sobre la IA tiene giros y vueltas.
Sin embargo, ahora es el momento de considerar seriamente la tecnología cerebro humano inspirado en lo más mínimo, 'Debemos darnos cuenta de que hay otras técnicas para el modelo actual, nos ayudará a hacer buenas preguntas.' De Salvo en Conferencia Internacional Sólido de este año Circuitos de Estado después (ISSCC) pronunciará un discurso para aceptar el "EE Times" en la entrevista que "si no hay un nuevo modelo de operación y el algoritmo, la industria, finalmente, será difícil lograr los requerimientos de energía más estrictas.
Mientras que la industria ha sido empujando AI plataformas incrustadas, tales como 2, EyeQ5 de Mobileye, y Movidius de Myriad de Xavier Nvidia, pero con el fin de satisfacer las necesidades del dispositivo terminal con menos consumo de energía en los bordes (EDGE) manejar un gran número de análisis, dijo: ' tenemos que llegar a la distancia de este paso es muy lejos'.
De Salvo compara la eficiencia computacional (GOPS / W) de la fase de corolario y el GOPS de varios chips AI durante un discurso de apertura.
Señaló que aún existe una gran brecha entre las necesidades de la industria y las soluciones existentes. "Ningún chip, ya sea para comercial, prototipos, chips para diseño o desarrollo en la academia, es capaz de entregar menos de 100μW Sin embargo, esto es exactamente lo que los dispositivos de borde deben lograr porque tienen que depender de la recolección de energía o baterías en miniatura en los próximos años.
¿Por qué volver a la investigación del cerebro humano?
De Salvo dijo que sabemos que el cerebro humano pesa aproximadamente el 2% del cuerpo, pero utiliza el 20% del metabolismo del cuerpo.
El cerebro humano procesa 1.011 GOPS a 20 W. De Salvo enfatiza que, hasta el momento, no ha habido ningún procesador en el mundo que tenga un rendimiento y potencia comparable al del cerebro humano.
De Salvo explicó que esta clase de eficiencia energética ha evolucionado a lo largo de la evolución humana durante mucho tiempo, maximizando la función cerebral y minimizando el consumo de energía.
Es ahí donde la industria de los semiconductores toma prestada la biología, dijo, y las arquitecturas informáticas tradicionales están orientadas a satisfacer los requisitos de energía, principalmente porque "la energía se consume cada vez que el procesador y la memoria se comunican". Por el contrario, Las sinapsis cerebrales contienen memoria y aritmética en una sola arquitectura, y explica que esta técnica ingeniosa proporciona la base para una arquitectura de computadora no von Neumann inspirada en el cerebro.
La esencia de los principios de funcionamiento inspirados en el cerebro radica en cosas como la codificación de picos y la plasticidad dependiente del tiempo de picos (STDP), etc. Ella señala que, en términos del estado de las neuronas codificadas en el sistema : En el pasado, las neuronas se codificaban usando analogías o números, la tendencia más reciente en la computación neuromórfica, sin embargo, es codificar el valor de una neurona como un pulso o pico, y explica: "Las neuronas no tienen reloj y están orientadas exclusivamente a eventos '
La comunidad científica cree que la codificación de spike y el STDP son prometedores. Si la señal de entrada / salida está representada por un pulso (pico), la multiplicación entre la señal de entrada y el peso sináptico caerá a la sincronización en el nivel sináptico. El objetivo aquí es reducir el consumo de energía configurando picos o señalización basada en eventos utilizando soluciones heterogéneas.
¿Es esto exactamente como la tecnología de procesamiento de imágenes impulsada por eventos de Chronocam? Ella respondió: "Sí, pero la solución de Chronocam está dirigida a la" visión "de la retina artificial, y nuestra misión industrial es aplicar principios neuromórficos Expande más allá de toda el área de computación más allá de la visión '.
De Salvo dijo, TrueNorth de IBM es un ejemplo ideal de chips CMOS dinámica neuromórfico neuromórfico actualmente 28nm FD-SOI construir procesadores heterogéneos escalables de aprendizaje (DynapSEL), es un procesador multi-núcleo neuromórficos a gran escala Como otro ejemplo, DynapSEL es actualmente uno de los programas de desarrollo bajo el Programa Europeo de Investigación Cooperativa NeuRAM 3.
TrueNorth neuronas en la digitalmente procesadas, y DynapSEL es la analogía. Sin embargo, estos dos chips no son sistemas neuromórficos efectivamente totalmente funcionales, porque la memoria no se basa en el principio de funcionamiento de la forma nerviosa.
La comunidad científica está tratando de acercar la memoria a la unidad de procesamiento, revolucionando la jerarquía de memoria tradicional e implementando "computación en memoria". Hasta ahora, el hardware neuromórfico aún no ha alcanzado su máximo potencial, De Salvo dijo: Necesitamos utilizar arquitecturas 3D de ultra alta densidad en computación neuromórfica para lograr la máxima conectividad y reconfigurabilidad entre las neuronas y las sinapsis.
Cerebro de insectos
Ahora se nos conoce en el cerebro humano tiene 100 mil millones de neuronas, y otros insectos inteligentes como abejas en un cubo de 1 mm aproximadamente del tamaño de sus cerebros, hay 950.000 neuronas. De Salvo señaló en una variedad de insectos, el cerebro de abeja es el más grande ella dijo: 'hemos sido capaces de captar las neuronas en el mapeo cerebral de las abejas, sin embargo, para yuanes nerviosas del cerebro humano mal entendidos.'
Los científicos están dispuestos a diseccionar el cerebro de abeja, debido a que la 'abeja es muy inteligente.' Abeja 'Hay muchos sensores capaces de búsqueda de alimento a través de su navegación, y saben cómo comunicarse en un grupo. Para vivir juntos en un grupo, las abejas deben Conoce la función de otras abejas.
"Por supuesto, el cerebro de la abeja es pequeño, pero su forma simplificada proporciona un buen modelo para el sistema de IA", dijo De Salvo: "Hace hincapié en la necesidad de pensar de forma sistemática porque el organismo no separa el sensor de la señal Procesamiento.
¿El último progreso de AI?
Hace diez años, nadie podía imaginar el avance que estamos viendo ahora en IA.
Sin embargo, según De Salvo, la industria puede cambiar su enfoque demasiado rápido para las aplicaciones de inteligencia artificial debido a la perspectiva de la inteligencia artificial, de hecho, dijo: "Todavía carecemos de una comprensión completa del sistema de IA ... al igual que el aprendizaje profundo".
Explicó que hay una capa oculta en el aprendizaje profundo y la complejidad resultante del sistema que hace que sea difícil decir qué atributos tienen la mayor responsabilidad para mejorar el rendimiento. "En comparación con la inteligencia general, el aprendizaje, la abstracción y el razonamiento La prevalencia alcanzada es aún muy limitada.
El aprendizaje profundo es excelente en términos de clasificación, pero "la predicción sigue siendo un problema fundamental en la informática neuronal", dijo De Salvo: "Recientemente, la red neuronal no ha podido realizar tareas simples que los humanos nunca han pasado por alto. Salvo y citando a A. Nguyen y otros, "Redes neuronales profundas son fácilmente engañadas: predicciones de alta confianza para imágenes no reconocidas", le preocupa que Eventualmente obstaculizar el desarrollo del mercado, e incluso 'traicionó la confianza de los usuarios, lo que llevó a serias preguntas morales'.
Compilar: Susan Hong