IBM Forscher haben eine
Patentanmeldung mit der Struktur neuromorpher TrueNorth-Chips veröffentlicht. Wir haben uns dieses Dokument angesehen und darüber gesprochen, wie der IBM Prozessor funktioniert.
/ Flickr / IBM Research / CCÜber TrueNorth
TrueNorth ist ein neuromorpher Prozessor, der 2014 von IBM mit Unterstützung von DARPA entwickelt wurde. Der Begriff "neuromorph" bedeutet, dass die Architektur des Chips auf den Prinzipien des menschlichen Gehirns basiert.
Ein solches Gerät emuliert die Arbeit von Millionen von
Neuronen mit Prozessen -
Dendriten und
Axonen . Die ersteren sind für die Wahrnehmung von Informationen verantwortlich, während die letzteren für deren Übertragung verantwortlich sind. Darüber hinaus sind alle Neuronen durch
Synapsen miteinander verbunden - spezielle Kontakte, über die elektrische Signale (Nervenimpulse) übertragen werden.
Laut IBM Entwicklern ist es das Ziel von TrueNorth, das Lernen neuronaler Netze zu beschleunigen. Neuromorphe Prozessoren müssen im Gegensatz zu klassischen nicht jedes Mal auf Speicher (oder Register) zugreifen und Daten von dort extrahieren - alle Informationen sind bereits in künstlichen Neuronen gespeichert.
Wie sieht der Chip im Inneren aus?
TrueNorth wird mit einer 28-Nanometer-Prozesstechnologie hergestellt. Der Prozessor enthält 5,4 Milliarden Transistoren und 4096 Kerne. Jeder Kern war mit einem Taskplaner, einem SRAM und einem Router ausgestattet. Diese Struktur ermöglichte es uns, die Arbeit von einer Million Neuronen und 256 Millionen Synapsen zu simulieren.
IBM zitiert in seinem
Patent das folgende Schema:
Die Prinzipien des Chips können am Beispiel von Faltungs-Neuronalen Netzen zur Bilderkennung dargestellt werden. Ein Prozessor ist eine Schicht von Neuronen. Wenn ein Neuron Daten identifiziert, beispielsweise die Kontur einer Figur, wird ein Impuls erzeugt. Jeder solche Impuls bezeichnet herkömmlicherweise ein Pixel des Bildes.
Ferner überträgt die erste Schicht von Neuronen Daten zur nächsten Schicht (durch alle gleichen Impulse). Schicht für Schicht erkennt das Netzwerk das Bild - zuerst die Konturen und Details und dann das gesamte Bild.
Herkömmliche Sprachen eignen sich nicht zum Programmieren neurosynaptischer Kerne. Aus diesem Grund hat IBM
eine spezielle Sprache Corelet entwickelt. Es hat die grundlegenden Eigenschaften von OOP: Kapselung, Vererbung und Polymorphismus und basiert auf MATLAB. Damit werden Kernel als Klassen definiert, um die Verwaltung ihrer Arbeit zu vereinfachen. Die Entwickler gaben in ihrer Präsentation einen Beispielcode an (
S. 17 ).
Ähnliche Lösungen
Neuromorphe Prozessoren arbeiten nicht nur bei IBM. Intel entwickelt den
Loihi- Chip seit 2017. Es besteht aus 130.000 künstlichen Neuronen und 130 Millionen Synapsen. In diesem Jahr hat der IT-Riese
die Produktion eines Prototyps der 14-nm-Prozesstechnologie abgeschlossen. Nach den Ergebnissen der ersten Tests erkennt der Chip 3D-Daten aus einem anderen Winkel und nimmt in wenigen Sekunden einen Datensatz für das Training auf.
Ein weiteres ähnliches Projekt wird von Brainchip entwickelt. Ihr Akida-System enthält 1,2 Millionen Neuronen und 10 Milliarden Synapsen. Der Prozessor ist mit Schnittstellen zur Erkennung von Bildern, Audiodaten und analogen Signalen ausgestattet. Das Systemgerätediagramm wird
auf der Projektwebsite vorgestellt .
Für welche Aufgaben sind Neurochips geeignet?
Ähnliche Technologien sollen das Training von
Faltungs-Neuronalen Netzen beschleunigen, die für die Bilderkennung „geschärft“ wurden. Zum Beispiel
testeten die Forscher 2017 TrueNorth und eine DVS-Kamera (Dynamic Vision Sensor), deren Prinzip dem Betrieb der Netzhaut ähnelt. Das neuronale Netzwerk erkannte zehn Gesten mit einer Genauigkeit von 96,5%.
Darüber hinaus werden Cyber-Defense-Systeme auf Basis des Prozessors erstellt. Forscher von IBM haben bereits
das Konzept der True Cyber Security-Lösung vorgeschlagen, die in 90% der Fälle Eingriffe in das Computernetzwerk erkennt (in 80% von ihnen bestimmt sie die Art des Angriffs).
Laut den Entwicklern von Neuroprozessoren müssen MO-Systeme, die auf dieser Technologie basieren, nicht ständig eine Verbindung zum Netzwerk herstellen, um trainiert zu werden, da alle Algorithmen lokal implementiert werden. Mit dieser Eigenschaft kann der Chip in Smartphones, Rechenzentren und Smart-Geräten verwendet werden, die auf KI-Systemen basieren.
Die Forscher müssen noch Lösungen entwickeln, die es einfach machen, den Chip für bestimmte Aufgaben zu programmieren. Spezialisierte PM ist nur der erste Schritt für die Entwicklung des gesamten Ökosystems. Daher besteht keine Notwendigkeit, über die groß angelegte Implementierung von Technologie in Benutzergeräten zu sprechen.
PS Wir haben einen Telegrammkanal - dort schreiben wir über Virtualisierungstechnologien und IaaS: