Нейроморфные чипы: мозг для ИИ становится масштабируемым

Разработка чипов, имитирующих работу человеческого мозга, открывает огромные перспективы для искусственного интеллекта, робототехники и других сфер. Однако создание таких систем, обеспечивающих масштабируемость и повторяемость результатов, оказалось непростой задачей. Команда исследователей из Йельского университета предложила инновационное решение, результаты которого опубликованы в журнале Nature Communications.

Нейроморфные чипы — это специализированные интегральные схемы, которые воспроизводят принципы работы мозга. Они используются для изучения вычислительных процессов в мозге и разработки нейросетевых архитектур, вдохновленных нейронауками. Хотя они и не являются точными копиями человеческого мозга, их можно объединять в крупномасштабные системы, насчитывающие более миллиарда искусственных нейронов. Каждый из этих нейронов обрабатывает информацию посредством индивидуальных «спайков». Благодаря такому подходу, нейроморфные системы потребляют значительно меньше энергии за счет разреженной, событийно-ориентированной работы и могут превосходить традиционные вычислительные системы в определенных задачах, например, в распределенных вычислениях.

Существенной проблемой этих чипов является их зависимость от протоколов глобальной синхронизации для обеспечения повторяемости. Это означает, что все искусственные нейроны и синапсы чипа должны быть синхронизированы с помощью механизма, известного как глобальный барьер. Это ограничивает масштабируемость чипов, поскольку единый механизм синхронизации гарантирует, что скорость работы всей системы будет не выше скорости ее самого медленного компонента. Кроме того, накладные расходы на глобальную синхронизацию должны распространяться по всей системе.

Для решения этой проблемы команда исследователей из Йельского университета под руководством профессора Раджита Манохара разработала собственную систему под названием NeuroScale. Вместо глобального барьера для синхронизации всех компонентов, NeuroScale синхронизирует отдельные кластеры нейронов и синапсов, непосредственно связанных друг с другом.

«Наша система NeuroScale использует локальный, распределенный механизм для синхронизации ядер», — пояснил Конгьян Ли, аспирант и ведущий автор исследования.

Исследователи отмечают, что главным преимуществом этого нововведения является масштабируемость. «Наш подход ограничен теми же законами масштабирования, которые применяются к моделируемой биологической сети», — сообщают авторы.

В дальнейших планах команды — создание прототипа чипа NeuroScale, переходя от симуляций к кремниевой реализации. Также разрабатывается гибридный подход, объединяющий механизмы синхронизации NeuroScale с теми, что используются в традиционных нейроморфных чипах.