Микрочипы, имитирующие человеческий мозг, могут сделать ИИ гораздо более энергоэффективным

Искусственный интеллект (ИИ) делает видеоигры более реалистичными и помогает вашему телефону распознавать ваш голос — но энергоемкие программы потребляют много энергии. Однако следующее поколение ИИ может стать в 1000 раз более энергоэффективным благодаря компьютерным чипам, которые работают подобно человеческому мозгу. Новое исследование показывает, что такие нейроморфные чипы могут выполнять алгоритмы ИИ, используя лишь малую часть энергии, потребляемой обычными чипами.

"Это впечатляющая работа", — говорит Стив Фурбер, специалист по информатике из Манчестерского университета. По его словам, такие достижения могут привести к огромному скачку в производительности сложного программного обеспечения, которое, скажем, переводит языки или управляет автомобилями без водителя.

Программа искусственного интеллекта, как правило, отлично справляется с поиском определенных желаемых закономерностей в наборе данных, и одна из самых сложных задач, которую она решает, — это сохранение кусочков закономерности по мере того, как она собирает все воедино. Рассмотрим, как компьютер может распознать изображение. Сначала он обнаруживает четко очерченные края изображения. Затем он должен запомнить эти края и все последующие части изображения, чтобы сформировать окончательную картину.

Общим компонентом таких сетей является программный блок, называемый долговременной кратковременной памятью (LSTM), который сохраняет память об одном элементе по мере изменения ситуации во времени. Например, вертикальный край на изображении должен сохраняться в памяти, пока программное обеспечение определяет, представляет ли он часть цифры "4" или дверь автомобиля. Типичные системы искусственного интеллекта должны одновременно отслеживать сотни элементов LSTM.

Существующие сети LSTM, работающие на обычных компьютерных чипах, отличаются высокой точностью. Но чипы требуют много энергии. Чтобы обработать биты информации, они должны сначала получить отдельные биты хранящихся данных, манипулировать ими, а затем отправить их обратно в память. А затем повторять эту последовательность снова и снова.

Intel, IBM и другие производители чипов экспериментируют с альтернативной конструкцией чипов, называемой нейроморфными чипами. Они обрабатывают информацию подобно сети нейронов в мозге, где каждый нейрон получает входные данные от других в сети и срабатывает, если общий входной сигнал превышает порог. Новые чипы спроектированы таким образом, чтобы иметь аппаратный эквивалент нейронов, соединенных в сеть. Программы искусственного интеллекта также опираются на сети искусственных нейронов, но в обычных компьютерах эти нейроны определяются исключительно программно и поэтому виртуально находятся в отдельных микросхемах памяти компьютера.

В нейроморфном чипе память и вычисления выполняются вместе, что делает его гораздо более энергоэффективным: Наш мозг потребляет всего 20 ватт энергии, примерно столько же, сколько энергосберегающая лампочка. Но чтобы использовать эту архитектуру, ученые-компьютерщики должны заново придумать, как они выполняют такие функции, как LSTM.

Именно за эту задачу взялся Вольфганг Маасс, компьютерный ученый из Технологического университета Граца. Он и его коллеги попытались воспроизвести в нашем мозге механизм хранения памяти, который в биологических нейронных сетях называется послегиперполяризационными (AHP) токами. После того, как нейрон в мозге выстреливает, он обычно возвращается на свой базовый уровень и остается в состоянии покоя до тех пор, пока снова не получит достаточно входного сигнала, чтобы превысить свой порог. Но в AHP-сетях, после того как нейрон выстрелил один раз, он временно заторможен от повторного выстрела — это мертвый период, который фактически помогает сети нейронов сохранять информацию, затрачивая меньше энергии.

Маасс и его коллеги интегрировали модель стрельбы нейронов AHP в программное обеспечение нейроморфной нейронной сети и прогнали свою сеть через два стандартных теста ИИ. Первая задача заключалась в распознавании рукописной буквы "3" на изображении, разбитом на сотни отдельных пикселей. При этом они обнаружили, что при работе на одном из нейроморфных чипов Intel Loihi их алгоритм оказался в 1000 раз более энергоэффективным, чем алгоритмы распознавания изображений на основе LSTM, работающие на обычных чипах.

Во втором тесте, в котором компьютеру нужно было ответить на вопросы о смысле историй длиной до 20 предложений, нейроморфная система оказалась в 16 раз эффективнее алгоритмов, работающих на обычных компьютерных процессорах, сообщают авторы в журнале Nature Machine Intelligence на этой неделе.

Маасс отмечает, что второй тест был проведен на серии из 22 чипов Loihi первого поколения от Intel, которые потребляют относительно большое количество энергии при общении друг с другом. С тех пор компания выпустила второе поколение чипов Loihi, каждый из которых имеет больше нейронов, что, по его словам, должно снизить потребность в межчиповой связи и, таким образом, сделать работу программного обеспечения более эффективной.

На данный момент лишь немногие нейроморфные чипы доступны в продаже. Поэтому широкомасштабное применение, скорее всего, не появится быстро. Но передовые алгоритмы искусственного интеллекта, такие как продемонстрировал Маасс, могут помочь этим чипам получить коммерческую основу, говорит Антон Архипов, вычислительный нейробиолог из Института Аллена. "По крайней мере, это поможет ускорить работу систем искусственного интеллекта".

Это, в свою очередь, может привести к появлению новых приложений, таких как цифровые помощники с искусственным интеллектом, которые могут не только подсказать кому-то имя человека на фотографии, но и напомнить, где они познакомились, и рассказать истории из их совместного прошлого. По словам Масса, благодаря включению в работу нейроморфных установок других моделей стрельбы нейронов в мозге, будущие нейроморфные установки могут даже однажды начать изучать, как множество моделей стрельбы нейронов работают вместе для создания сознания.