英特爾將神經形態研究系統擴展至1億個神經元 智慧應用 影音
Event
member

英特爾將神經形態研究系統擴展至1億個神經元

  • 陳其璐台北

英特爾Nahuku基板可安裝8至32個英特爾Loihi神經形態研究晶片。英特爾於2020年3月發表的最新神經形態運算系統「Pohoiki Springs」,由24塊搭載32個晶片的Nahuku基板組成,一共整合了768個Loihi神經形態研究晶片。
英特爾Nahuku基板可安裝8至32個英特爾Loihi神經形態研究晶片。英特爾於2020年3月發表的最新神經形態運算系統「Pohoiki Springs」,由24塊搭載32個晶片的Nahuku基板組成,一共整合了768個Loihi神經形態研究晶片。

英特爾宣布旗下最新且功能強大的神經形態研究系統「Pohoiki Springs」已可提供1億個神經元的運算能力。此以雲端為基礎的系統將提供給英特爾神經形態研究社群(Intel Neuromorphic Research Community;INRC)的成員,以擴展其神經形態研究工作,解決更龐大、更複雜的問題。

英特爾神經形態運算實驗室總監Mike Davies表示,Pohoiki Springs將英特爾Loihi神經形態研究晶片的運算能力擴展了750倍以上,同時可以低於500瓦的功率執行運算。Pohoiki Springs系統使英特爾的研究合作夥伴能夠探索各種方法,於包括高效能運算(High-Performance Computing;HPC)系統在內的傳統架構上,加速目前執行緩慢的工作負載。

英特爾於2020年3月發表的最新神經形態運算系統「Pohoiki Springs」,由24塊搭載32個晶片的Nahuku基板組成,一共整合了768個Loihi神經形態研究晶片。

英特爾於2020年3月發表的最新神經形態運算系統「Pohoiki Springs」,由24塊搭載32個晶片的Nahuku基板組成,一共整合了768個Loihi神經形態研究晶片。

Pohoiki Springs為資料中心機架式系統,是英特爾迄今為止所研發的最大的神經形態運算系統。Pohoiki Springs將768個Loihi神經形態研究晶片整合在一個具有5台標準伺服器大小的機殼中。

Loihi如同大腦一般,可透過比傳統處理器快1,000倍的速度及高出10,000倍的效率,處理特定需求較高的工作負載。Pohoiki Springs是擴展Loihi系統架構以評估解決人工智慧問題與各種運算難題的下一步。英特爾研究人員認為,與當今最先進的傳統電腦相比,神經形態系統的極度並行特性與非同步訊號傳輸特性,可大幅降低功耗並顯著提升效能。

在自然界中,即使是一些最微小的生物也能解決高度困難的運算問題。例如,儘管許多昆蟲的大腦神經元數量不到100萬個,但牠們仍然可以即時透過視覺來追蹤目標、導航並避開障礙物。

同樣地,英特爾最小的神經形態系統Kapoho Bay由兩個Loihi晶片和262,000個神經元組成,可支援各種即時的邊緣工作負載。英特爾和INRC研究人員已證明了Loihi能夠即時識別手勢、使用新型人造皮膚讀取盲人點字、透過視覺地標來定位方向、以及學習新的氣味模式,而這些過程僅需消耗數十毫瓦的功率。

Pohoiki Springs擁有1億個神經元,可將Loihi的神經容量增加至小型哺乳類動物大腦的規模,這是邁向未來支援更大、更複雜的神經形態工作負載的重要一步。Pohoiki Springs系統為自主與互聯的未來奠定基礎,提供全新方法來進行即時的動態資料處理。

包含Pohoiki Springs在內的英特爾神經形態系統仍處於研發階段,且並非為了替代傳統的運算系統。相反地,它們為研究人員提供了一種工具,用於開發和描述新的類神經演算法特性,以進行即時的處理、問題解決、適應和學習。

INRC成員將透過使用英特爾Nx SDK和社群提供的軟體工具組之雲端系統,在Pohoiki Springs上構建及取得應用程式。

正在為Loihi開發之具潛力和高度擴展性的演算法範例包括滿足限制,搜尋圖形與模式與最佳化問題。滿足限制的問題在現實世界中無處不在,從數獨遊戲到航空公司的排班調度,或者是包裹運送排程都屬於此類問題。這類問題需評估大量潛在的解決方案,以找出滿足特定限制條件的單一或數個解決方案。Loihi能透過高速並行搜尋許多不同的解決方案以加速解決這類問題。

搜尋圖形與模式,人們每天都在搜尋基於圖形的資料結構,以找到最佳路徑和緊密匹配的模式,例如取得駕駛導航指示方向或辨識人臉。Loihi已證明能夠快速找出圖形中的最短路徑並執行概略圖像搜尋的功能。而最佳化問題,神經形態結構可被程式化,以達到隨時間變化的動態行為能夠在數學上最佳化特定目標。此行為可用於解決現實世界中的最佳化問題,例如將無線通訊頻道的頻寬最大化,或者配置股票資產組合,達到在特定的目標報酬率之下將風險降至最低。

CPU和GPU等傳統通用處理器特別擅長處理人類難以完成的任務,例如高精準度的數學運算。然而科技的角色和應用正在不斷擴展。從自動化到人工智慧以及其他領域對電腦的需求越來越高,電腦需要像人腦一樣運作,以即時處理非結構化和充滿雜訊的資料,同時適應各種變化。這項挑戰激發了全新的專門化架構。