Beyinden ilham alan çipler, yapay zekayı veri merkezinin ötesine iterek cihazlarda gerçek zamanlı karar almayı mümkün kılıyor. Ancak vaatlerini yerine getirmek, altyapıyı silikondan yukarıya doğru yeniden düşünmeyi gerektirir.
Bir depoda böcek benzeri reflekslere sahip bir insansız hava aracı veya kullanıcısına gerçek zamanlı olarak uyum sağlayan bir protez uzuv hayal edin. Bunlar çok ilerideki kavramlar değildir. İnsan beynini taklit etmek için tasarlanmış yeni bir yapay zeka (AI) donanımı sınıfı olan nöromorfik bilişim için erken kanıt noktalarıdır.
Nöromorfik çipler, biyolojik nöronlara benzer şekilde, yalnızca anlamlı girdi için aktive olan ekleme nöral ağları (SNN'ler) kullanarak verileri işler. Hafıza ve işlem birimlerini ayıran merkezi işlem birimlerinin (CPU'lar) ve grafik işlem birimlerinin (GPU'lar) aksine, nöromorfik bilişim, verimli paralel veri işleme için bu bileşenleri entegre eder (bkz. Şekil 1).
Sonuç olarak, uç noktadaki kısıtlı ortamlara uygun kompakt tasarımlar, daha hızlı tepki süreleri ve daha düşük güç tüketimi elde edilir. Küresel uç nokta altyapı harcamasının 2025’te 261 milyar $’a ulaşması ve 2028’de 380 milyar $’a ulaşmasıyla bu her zamankinden daha önemli hale geldi.
Resim 1. BrainScaleS-2 tek nöromorfik çipi, nöromorfik bilgi işlem uygulamaları için kullanılan sistemlerden biridir. Kaynak: Açık Nöromorfik.
Nöromorfik hesaplama nasıl çalışır
Nöromorfik çipler bellek ve bilgi işlemi tam olarak yerine entegre eder. Bu tasarım von Neumann darboğazını önler ve bu da veriler sürekli olarak ayrı işleme ve bellek birimleri arasında hareket ettiğinde ortaya çıkar. Bu çipler, sürekli olarak veriler arasında dolaşmak yerine asenkron şekilde çalışır ve yalnızca sensör girişi değiştiğinde hesaplamayı tetikler. Bu olay odaklı model, gereksiz işlemeyi en aza indirebilir ve güç tüketimini geleneksel sistemlere kıyasla 100 kata kadar azaltabilir.
Örneğin, Intel'in Loihi'si sadece 70 miliwatt kullanarak bir milyondan fazla nöronu simüle ediyor. Benzer iş yükleri gerçekleştiren geleneksel GPU'lar, uzak veya mobil ortamlarda kullanımlarını sınırlayan birkaç watt ve hatta kilovat tüketebilir.
Nöromorfik bilgi işlem avantajları
Nöromorfik bilgi işlem marjinal kazançlarla ilgili değildir. Yapay zekanın uçta çalışma şeklinde yapısal bir değişikliği temsil eder.
Ultra düşük enerji tüketimi
Nöromorfik çipler, nöronların yalnızca gerektiğinde nasıl ateşlendiğini taklit ederek, rölanti güç kullanımını 100 kata kadar azaltır.
Düşük gecikme
Ekleme ağları, robotik, gerçek zamanlı tanılama ve kapalı döngü kontrol sistemleri için gerekli olan 100 milisaniyenin altındaki yanıt sürelerini destekler.
Paralel işleme
Asenkron uygulama, bu sistemlerin bir darboğaz oluşturmadan aynı anda birden fazla sensör girişini işlemesini sağlar.
Gürültü toleransı
Nöromorfik çipler kaotik ortamlara çok uygundur ve eksik veya yapılandırılmamış verileri geleneksel yapay zeka modellerinden daha etkili bir şekilde işleyebilir.
Kompakt tasarım
Azaltılmış güç ve termal ihtiyaçlar, büyük soğutma sistemleri veya buluta yükleme ihtiyacını ortadan kaldırarak gömülü cihazlarda dağıtıma olanak tanır.
Bu özellikler birlikte nöromorfik sistemlerin veri merkezi dışında verimli, otonom yapay zekayı destekleyebileceğini düşündürmektedir.
Nöromorfik bilgi işlem kullanım durumları
Sağlık
Nöromorfik çipler, gerçek zamanlı harekete yanıt veren düşük güçlü EKG analizi ve uyarlanabilir protezler için araştırılmaktadır (bkz. Şekil 3). SpiNNaker ve BrainScaleS gibi platformlar, tıbbi bağlamlarda beyin benzeri işlemenin canlılığını göstermiştir. Intel'in Loihi'si gibi yeni çipler, beyin-makine arayüzlerinde robot uzuvları kontrol etmek için nöral sinyallerin kodlarını çözerek, mobilite restorasyonunun yolunu açarak umut verici olduğunu göstermiştir (bkz. Şekil 2).
SNN'leri kullanarak moleküler simülasyonlar ve protein katlama üzerine yapılan araştırmalar, potansiyel olarak ilaç geliştirme ve tıbbi tedavilerin verimliliğini ve karşılanabilirliğini artırarak enerji maliyetini azaltmaya yardımcı olabilir.
Resim 2. Resim A (sol): Araştırma yazarı Yuval Zaidel tarafından gösterilen nöromorfik kontrollü, tekerlekli sandalyeye monte robotik kol prototipi. Resim B (sağ): Kontrol mimarisi: Gerçek zamanlı pozisyon adaptasyonu için nöral ağ işleme ivmeölçer verilerini ekleme. Kaynak: Frontiers | Nöromorfik olarak entegre edilmiş hız okumaları ve çevrimiçi öğrenme ile tekerlekli sandalyeye monte robotik kolun adaptif kontrolü.
İklim modelleme ve fizik
CERN'de, nöromorfik ilkelerden ilham alan olay tabanlı sensörler gürültülü, yüksek verimli ortamlarda partikülleri izlemek için kullanılmıştır. Sandia National Laboratories, geleneksel olarak süper bilgisayarların hakim olduğu bir alan olan iklim simülasyonları için gereken enerjiyi azaltmak için benzer çipler kullanıyor.
Robotik ve IoT
Massachusetts Institute of Technology (MIT)’in Grasping Nöral Süreci, 1.000 geometri ve 5.000 nesne konusunda eğitim almış SNN ile çalışan robot kol sergileyerek depolar gibi dinamik ortamlarda güvenilir toplamalar sağlamıştır.
Araştırmacılar, ışıktaki değişiklikleri yakalamak için retinadan ilham alan kameralar olan Dinamik Görüş Sensörlerini (DVS) kullanmıştır. Bu sensörler, insansız hava araçlarının böcek benzeri çeviklik ve ultra düşük gecikme süresi ile kalabalık alanlarda gezinmesini sağlıyor
Prophesee gibi şirketler, akıllı gözetim için, bant genişliğini ve enerji ihtiyaçlarını azaltan, olay tabanlı vizyon sistemlerine sahiptir. Sensörleri saniyede 10.000 karenin üzerinde hız sağlarken daha az güç tüketir.
Resim 3. Somatosensöriyel nöroprotezin gelişimi üç ana kaideye dayanır: (1) Sinir sisteminin dokunmaya nasıl yanıt verdiğini taklit etmek için bilgisayar modellerini kullanmak (mavi segment); (2) Nörostimülasyon stratejilerini doğrulamak için hayvanlar üzerinde test yapmak (turuncu segment); DRG—dorsal kök ganglion. (3) Teknolojinin gerçek yaşam senaryolarındaki etkinliğini değerlendirmek için insanlarla klinik çalışmalar yürütmek (yeşil segment). Kaynak: Doğa İletişimi.
Finans ve siber güvenlik
IBM, dolandırıcılık tespiti için SNN'lerin kullanımını araştırmıştır. Finansal işlemlerdeki kalıpları yüksek hassasiyetle tanımlayan modelleri eğittiler. Bu sistemler, ortaya çıkan tehditlere minimum veriyle uyum sağlayabilir.
Altyapının neye ihtiyacı var
Nöromorfik sistemlerin desteklenmesi, edge'de artan yükseltmelerden fazlasını gerektirir. Taleple ölçeklenen, değişen iş yüklerine uyum sağlayan ve alan veya güç kısıtlamalı ortamlara uyan amaca yönelik altyapıyı (bkz. Şekil 4) gerektirir.
Örneğin, doğrudan çipe sıvı soğutma, sporadik ısıyı tek başına havadan daha etkili bir şekilde yönetebilir. Sıvı ve hava soğutmayı birleştiren Vertiv Coolchip yaklaşımı, genel enerji kullanımını azaltırken istikrarlı performansın korunmasına yardımcı olur. Benzer şekilde, güç dağıtım sistemleri, hem maliyeti hem de fiziksel ayak izini artıran aşırı üretim olmadan keskin akım değişimlerine hızlı bir şekilde yanıt vermelidir. Hızlı, yerelleştirilmiş veri işlemeyi desteklemek için yüksek hızlı ara bağlantılar da gereklidir.
Operasyon tarafında, nöromorfik iş yükleri farklı bir düşünce yapısı gerektirir. SNN'ler ve asenkron mimariler, çoğu yapay zeka eğitim hattında kullanılan modellerden temelde farklıdır. Ekipler, olaya dayalı sistemlerle nasıl çalışacaklarını ve bunların nasıl korunacağını anlamalıdır. Mühendisler, öngörülemeyen yükler ve dinamik davranışlar etrafında tasarım yapmalıdır.
Şekil 4.Örneğin, doğrudan çipe sıvı soğutmayı uyarlanabilir hava tarafı stratejileriyle birleştiren Vertiv’in CoolChip’e sahip Vertiv Infrastructure Solutions gibi modüler çözümler, nöromorfik bilişim gibi uç noktadaki yüksek performanslı iş yüklerini ele almak için zaten tasarlanmıştır.
Sıradaki adıma hazırlanmak
Nöromorfik bilgi işlem bir kavram değildir. Edge istihbaratının çalışma şeklini zaten yeniden şekillendiriyor. Robotik ve sağlık hizmetlerinden iklim modelleme ve siber güvenliğe kadar uygulamalar burada. Geride kalan şey altyapıdır.
Yapay zekayı uç noktalara yerleştirmeyi planlıyorsanız, bu yeni iş yüklerini desteklemek için tasarlanmış sistemlere ihtiyacınız olacaktır. Bu, kabin yoğunluğunu, termal stratejileri ve güç duyarlılığını değerlendirmek anlamına gelir. Bu aynı zamanda, bu yeni yapay zeka paradigmasını anlayan insanlara yatırım yapmak anlamına gelir: kısmi sinirbilim, kısmi mühendislik, kısmi sistem tasarımı.
Uç yapay zekanın gelişimi, mevcut altyapının artan talepleri nasıl ele aldığına bağlıdır.
Uçta, gerçek zamanlı ve ölçeklenen verimlilikle nöromorfik performans için oluşturulmuş altyapı çözümlerini keşfetmek için Vertiv’in AI Hub’ını ziyaret edin.
