Élargissement de l’informatique neuromorphique pour une IA plus efficace et efficace partout et à tout moment
L’informatique neuromorphe – un champ qui applique des principes de neurosciences aux systèmes informatiques pour imiter la fonction et la structure du cerveau – ne doit pas évoluer pour se concurrencer efficacement avec les méthodes de calcul actuelles.
Dans une revue publiée le 22 janvier dans la revue Nature23 chercheurs, dont deux de l’Université de Californie San Diego, présentent une feuille de route détaillée de ce qui doit arriver pour atteindre cet objectif. L’article offre une perspective nouvelle et pratique pour approcher la capacité cognitive du cerveau humain avec un facteur de forme comparable et une consommation de puissance.
« Nous ne prévoyons pas qu’il y aura une solution unique pour les systèmes neuromorphes à grande échelle, mais plutôt une gamme de solutions matérielles neuromorphes avec différentes caractéristiques basées sur les besoins d’application », écrivent les auteurs.
Les applications de l’informatique neuromorphe comprennent l’informatique scientifique, l’intelligence artificielle, la réalité augmentée et virtuelle, les appareils portables, l’agriculture intelligente, les villes intelligentes et plus encore.
Les puces neuromorphiques ont le potentiel de dépasser les ordinateurs traditionnels en énergie et en efficacité spatiale, ainsi que des performances. Cela pourrait présenter des avantages substantiels dans divers domaines, notamment l’IA, les soins de santé et la robotique. Comme la consommation d’électricité de l’IA devrait doubler d’ici 2026, l’informatique neuromorphe apparaît comme une solution prometteuse.
« L’informatique neuromorphe est particulièrement pertinente aujourd’hui, lorsque nous assisons à l’échelle intenable des systèmes d’IA aviateurs de puissance et de ressources », a déclaré Gert Cauwenberghs, professeur distingué dans le département de bio-ingénierie de l’UC San Diego Shu Chien de bio-ingénierie et de l’une des duprès de la BioEngineering et de l’une des duprès de la BioEnneering et de la Co-auteurs du papier.
L’informatique neuromorphe est à un moment charnière, a déclaré Dhireesha Kudithipudi, la chaise dotée de Robert F. McDermott à l’Université du Texas San Antonio et l’auteur correspondant du journal.
« Nous sommes maintenant à un point où il y a une formidable opportunité de construire de nouvelles architectures et des cadres ouverts qui peuvent être déployés dans des applications commerciales », a-t-elle déclaré. « Je crois fermement que la promotion d’une collaboration étroite entre l’industrie et le monde universitaire est la clé pour façonner l’avenir de ce domaine. Cette collaboration se reflète dans notre équipe de co-auteurs. »
En 2022, une puce neuromorphique conçue par une équipe dirigée par Cauwenberghs a montré que ces puces pouvaient être très dynamiques et polyvalentes, sans compromettre la précision et l’efficacité.
La puce Neurram exécute des calculs directement dans la mémoire et peut exécuter une grande variété d’applications AI, ce qui est à une fraction de l’énergie consommée par les plateformes informatiques pour l’informatique d’IA à usage général.
« Notre Nature L’article de revue offre une perspective sur d’autres extensions des systèmes d’IA neuromorphes dans les technologies en silicium et émergentes pour aborder à la fois l’échelle massive et l’efficacité extrême de la capacité d’auto-apprentissage dans le cerveau des mammifères « , a déclaré Cauwenberghs.
Pour atteindre l’échelle de l’informatique neuromorphe, les auteurs proposent plusieurs caractéristiques clés qui doivent être optimisées, y compris la rareté, une caractéristique déterminante du cerveau humain. Le cerveau se développe en formant de nombreuses connexions neuronales (densification) avant d’élaguer sélectivement la plupart d’entre elles.
Cette stratégie optimise l’efficacité spatiale tout en conservant des informations à haute fidélité. S’il est émulé avec succès, cette caractéristique pourrait permettre des systèmes neuromorphes qui sont beaucoup plus économes en énergie et compacts.
« L’évolutivité extensible et l’efficacité supérieure proviennent du parallélisme massif et de la structure hiérarchique dans la représentation neuronale, combinant une connectivité synaptique locale dense dans les noyaux neurosynaptiques modélisés après la matière grise du cerveau avec une connectivité globale clairsemée dans la communication neuronale à travers les noyaux modélisant la matière blanche du cerveau, facilitée par le haut de la communication neuronale à travers les noyaux modélisant la matière blanche du cerveau, facilitée par un haut niveau élevé – Interconnextes reconfigurables de bande passante sur les interconnexions structurées et structurées hiérarchiquement à travers les puces « , a déclaré Cauwenberghs.
« Cette publication montre un énorme potentiel pour l’utilisation de l’informatique neuromorphique à grande échelle pour des applications réelles. Pour la communauté des utilisateurs nationaux « , a déclaré Amitava Majumdar, directrice de la division de l’informatique scientifique compatible des données au SDSC ici sur le campus UC San Diego, et l’un des co-auteurs du journal.
En outre, les auteurs appellent également à des collaborations plus fortes dans le monde universitaire, et entre le monde universitaire et l’industrie, ainsi que le développement d’un plus large éventail de langages de programmation conviviaux pour réduire la barrière d’entrée dans le domaine. Ils croient que cela favoriserait une collaboration accrue, en particulier entre les disciplines et les industries.
