Penghematan energi yang signifikan menggunakan perangkat keras neuromorfik —

Untuk pertama kalinya Institute of Theoretical Computer Science dan Intel Labs TU Graz mendemonstrasikan secara eksperimental bahwa jaringan saraf yang besar dapat memproses urutan seperti kalimat sambil mengonsumsi empat hingga enam belas kali lebih sedikit energi saat berjalan pada perangkat keras neuromorfik daripada perangkat keras non-neuromorfik. Penelitian baru berdasarkan chip penelitian neuromorfik Loihi dari Intel Labs yang memanfaatkan wawasan dari ilmu saraf untuk membuat chip yang berfungsi serupa dengan yang ada di otak biologis.

Penelitian ini didanai oleh The Human Brain Project (HBP), salah satu proyek penelitian terbesar di dunia dengan lebih dari 500 ilmuwan dan insinyur di seluruh Eropa mempelajari otak manusia. Hasil penelitian tersebut dipublikasikan dalam makalah penelitian “Memory for AI Applications in Spike-based Neuromorphic Hardware” (DOI 10.1038/s42256-022-00480-w) yang di publikasikan di Kecerdasan Mesin Alam.

Otak manusia sebagai panutan

Mesin pintar dan komputer cerdas yang dapat mengenali dan menyimpulkan objek serta hubungan antara objek yang berbeda secara otonom adalah subjek penelitian kecerdasan buatan (AI) di seluruh dunia. Konsumsi energi merupakan hambatan utama di jalan menuju aplikasi yang lebih luas dari metode AI tersebut. Diharapkan teknologi neuromorfik akan memberikan dorongan ke arah yang benar. Teknologi neuromorfik dimodelkan setelah otak manusia, yang sangat efisien dalam menggunakan energi. Untuk memproses informasi, ratusan miliar neuronnya hanya mengonsumsi sekitar 20 watt, tidak lebih banyak energi daripada rata-rata bola lampu hemat energi.

Dalam penelitian tersebut, kelompok tersebut berfokus pada algoritma yang bekerja dengan proses temporal. Misalnya, sistem harus menjawab pertanyaan tentang cerita yang telah diceritakan sebelumnya dan memahami hubungan antara objek atau orang dari konteksnya. Perangkat keras yang diuji terdiri dari 32 chip Loihi.

Chip penelitian Loihi: hingga enam belas kali lebih hemat energi daripada perangkat keras non-neuromorfik

“Sistem kami empat hingga enam belas kali lebih hemat energi daripada model AI lainnya pada perangkat keras konvensional,” kata Philipp Plank, mahasiswa doktoral di Institut Ilmu Komputer Teoritis TU Graz. Plank mengharapkan peningkatan efisiensi lebih lanjut karena model ini dimigrasikan ke perangkat keras Loihi generasi berikutnya, yang secara signifikan meningkatkan kinerja komunikasi chip-ke-chip.

“Chip penelitian Loihi Intel menjanjikan untuk membawa keuntungan dalam AI, terutama dengan menurunkan biaya energinya yang tinggi,” kata Mike Davies, direktur Intel’s Neuromorphic Computing Lab. “Pekerjaan kami dengan TU Graz memberikan lebih banyak bukti bahwa teknologi neuromorfik dapat meningkatkan efisiensi energi beban kerja pembelajaran mendalam saat ini dengan memikirkan kembali penerapannya dari perspektif biologi.”

Meniru memori jangka pendek manusia

Dalam jaringan neuromorfik mereka, kelompok tersebut mereproduksi dugaan mekanisme memori otak, sebagaimana Wolfgang Maass, supervisor doktoral Philipp Plank di Institute of Theoretical Computer Science, menjelaskan: “Studi eksperimental telah menunjukkan bahwa otak manusia dapat menyimpan informasi untuk waktu yang singkat. waktu bahkan tanpa aktivitas saraf, yaitu dalam apa yang disebut ‘variabel internal’ neuron. Simulasi menunjukkan bahwa mekanisme kelelahan dari subset neuron sangat penting untuk memori jangka pendek ini.”

Bukti langsung kurang karena variabel internal ini belum dapat diukur, tetapi itu berarti bahwa jaringan hanya perlu menguji neuron mana yang saat ini lelah untuk merekonstruksi informasi apa yang telah diproses sebelumnya. Dengan kata lain, informasi sebelumnya disimpan dalam non-aktivitas neuron, dan non-aktivitas mengkonsumsi energi paling sedikit.

Simbiosis jaringan berulang dan feed-forward

Para peneliti menghubungkan dua jenis jaringan pembelajaran mendalam untuk tujuan ini. Jaringan saraf umpan balik bertanggung jawab atas “memori jangka pendek”. Banyak yang disebut modul berulang menyaring kemungkinan informasi yang relevan dari sinyal input dan menyimpannya. Jaringan feed-forward kemudian menentukan hubungan mana yang ditemukan sangat penting untuk menyelesaikan tugas yang ada. Hubungan yang tidak berarti disaring, neuron hanya menyala di modul-modul di mana informasi yang relevan telah ditemukan. Proses ini pada akhirnya mengarah pada penghematan energi.

“Struktur saraf berulang diharapkan memberikan keuntungan terbesar untuk aplikasi yang berjalan pada perangkat keras neuromorfik di masa depan,” kata Davies. “Perangkat keras neuromorfik seperti Loihi secara unik cocok untuk memfasilitasi pola aktivitas jaringan yang cepat, jarang, dan tidak terduga yang kami amati di otak dan kebutuhan untuk aplikasi AI yang paling hemat energi.”

Penelitian ini didukung secara finansial oleh Intel dan Eropa Proyek Otak Manusia, yang menghubungkan ilmu saraf, kedokteran, dan teknologi yang terinspirasi otak di UE. Untuk tujuan ini, proyek ini menciptakan infrastruktur penelitian digital permanen, OTAK. Karya penelitian ini berlabuh di Bidang KeahlianManusia dan Bioteknologi dan Informasi, Komunikasi & Komputasidua dari lima Bidang Keahlian TU Graz.

Sumber Cerita:

Materi disediakan oleh Universitas Teknologi Graz. Asli ditulis oleh Christoph Pelzl. Catatan: Konten dapat diedit untuk gaya dan panjangnya.

Komputasi Seluler