Neuromorphes Rechnen lässt sich vom Gehirn inspirieren, und Steven Brightfield, Marketingleiter eines in Sydney ansässigen Startups Gehirnchipbehauptet, dies mache es perfekt für den Einsatz in batteriebetriebenen Geräten, die KI-Verarbeitung durchführen.
„Der Grund ist die Evolution“, sagt Brightfield. „Unser Gehirn hatte einen Energiehaushalt.“ Ebenso ist der Zielmarkt von BrainChip leistungsmäßig begrenzt. „Sie haben eine Batterie und es steht nur eine begrenzte Energiemenge zur Verfügung, um die von Ihnen verwendete KI mit Strom zu versorgen.“
BrainChip gab heute bekannt, dass sein Chip, der Akida Pico, jetzt verfügbar ist. Akida Pico, der für den Einsatz in leistungsbegrenzten Geräten entwickelt wurde, ist eine leichte, miniaturisierte Version des BrainChip. Akida Design, letztes Jahr eingeführt. Akida Pico verbraucht 1 Milliwatt Energie, je nach Anwendung sogar weniger. Das Chip-Design zielt auf den Edge-Bereich ab, der aus kleinen Benutzergeräten wie Mobiltelefonen, Wearables und Smart-Geräten besteht, deren Leistung und drahtlose Kommunikationsfähigkeiten typischerweise stark eingeschränkt sind. Akida Pico schließt sich ähnlichen neuromorphen Geräten auf dem Markt an, die für die Peripherie konzipiert sind, wie z InneraEs ist T1-ChipAnfang dieses Jahres angekündigt, und SynSense Xylo, Bekanntmachung im Juli 2023.
Neuronenspitzen sparen Energie
Neuromorphe Computergeräte ahmen die Natur der Gehirnspitzen nach. Anstelle herkömmlicher Logikgatter senden Recheneinheiten, sogenannte „Neuronen“, elektrische Impulse, sogenannte Spikes,miteinander zu kommunizieren. Wenn ein Spike beim Auftreffen auf ein anderes Neuron eine bestimmte Schwelle erreicht, wird dieses Neuron wiederum aktiviert. Verschiedene Neuronen können unabhängig von einer globalen Uhr Spitzenwerte erzeugen, was zu einem hochgradig parallelen Betrieb führt.
Eine der Stärken dieses Ansatzes besteht darin, dass Energie nur in Spitzenzeiten verbraucht wird. In einem klassischen Deep-Learning-Modell führt jedes künstliche Neuron einfach eine Operation an seinen Eingaben durch: Es hat keinen internen Zustand. In einer Spiking-Neuronalen-Netzwerk-Architektur verfügt ein Neuron zusätzlich zur Verarbeitung von Eingaben über einen internen Zustand. Das bedeutet, dass die Produktion nicht nur von aktuellen Inputs abhängen kann, sondern auch von der Geschichte vergangener Inputs, erklärt Mike DaviesDirektor des Labors für neuromorphes Rechnen Intel. Diese Neuronen können sich dafür entscheiden, nichts auszusenden, wenn sich beispielsweise die Eingabe gegenüber früheren Eingaben nicht ausreichend verändert hat, wodurch Energie gespart wird.
„Der Neuromorphismus zeichnet sich wirklich durch die Verarbeitung von Signalströmen aus, wenn man es sich nicht leisten kann, mit der Erfassung des gesamten Datenstroms zu warten und ihn dann verzögert und stapelweise zu verarbeiten. Es eignet sich für einen Streaming-Echtzeitmodus“, sagt Davies. Davies’ Team vor kurzem ein Ergebnis veröffentlicht zeigen ihre Loihi ChipDer Stromverbrauch betrug ein Tausendstel des einer GPU für Streaming-Anwendungsfälle.
Akida Pico umfasst seine neuronale Verarbeitungs-Engine sowie SRAM-Ereignisverarbeitungs- und Modellgewichtsspeichereinheiten, Direktspeichereinheiten für die Spitzenkonvertierung und -konfiguration sowie optionale Peripheriegeräte. Laut Brightfield kann der Chip in einigen Geräten, beispielsweise einfachen Detektoren, als eigenständiges Gerät verwendet werden, ohne Mikrocontroller oder andere externe Verarbeitung. Für andere Anwendungsfälle, die eine zusätzliche Verarbeitung auf dem Gerät erfordern, kann es mit einem Mikrocontroller, Prozessor oder einer anderen Verarbeitungseinheit kombiniert werden.
Das Akida Pico-Design von BrainChip umfasst eine miniaturisierte Version seiner neuromorphen Verarbeitungs-Engine, die für kleine batteriebetriebene Geräte geeignet ist.Gehirnchip
BrainChip hat auch an der Entwicklung von KI-Modellarchitekturen gearbeitet, die für einen minimalen Stromverbrauch in ihrem Gerät optimiert sind. Sie zeigten ihre Techniken mit einer Anwendung, die Schlüsselwörter in Sprache erkennt. Dies ist nützlich für Sprachassistenz wie Amazons Alexa, die auf die Aktivierung der Schlüsselwörter „Hallo, Alexa“ wartet.
Das BrainChip-Team nutzte es kürzlich entwickelt Modellarchitektur, um den Stromverbrauch auf ein Fünftel des Stromverbrauchs herkömmlicher Modelle mit einem herkömmlichen Mikroprozessor zu reduzieren, wie in ihrem Simulator demonstriert. „Ich glaube, Amazon gibt jedes Jahr 200 Millionen US-Dollar für Cloud-Computing-Dienste aus, um Alexa aufzuwecken“, sagt Brightfield. „Sie tun dies mithilfe eines Mikrocontrollers und einer neuronalen Verarbeitungseinheit (NPU), und es verbraucht immer noch Hunderte Milliwatt Leistung.“ Wenn die Lösung von BrainChip tatsächlich für jedes Gerät Energie einsparen würde, wäre der Effekt erheblich.
In einer zweiten Demonstration verwendeten sie ein ähnliches Modell für maschinelles Lernen, um die Geräuschunterdrückung zu demonstrieren, die für den Einsatz in Hörgeräten oder Kopfhörern mit Geräuschunterdrückung gedacht war.
Bisher haben neuromorphe Computer keine weit verbreitete kommerzielle Nutzung gefunden, und es bleibt abzuwarten, ob sich diese hochmodernen Miniaturgeräte durchsetzen werden, was teilweise auf die eingeschränkten Fähigkeiten dieser KI-Anwendungen mit geringem Stromverbrauch zurückzuführen ist. „Wenn man sich auf der Ebene eines sehr kleinen neuronalen Netzwerks befindet, kann man einem Problem nur begrenzte Magie verleihen“, sagt Davis von Intel.
Brightfield von BrainChip hofft jedoch, dass der Anwendungsbereich vorhanden ist. „Dies könnte eine Wiederbelebung des Wortes sein. Möglicherweise liegt es einfach an der Geräuschreduzierung Ihrer Kopfhörer, AR-Brillen oder Hörgeräte. Dies sind alles Arten von Anwendungsfällen, die unserer Meinung nach zielgerichtet sind. Wir glauben auch, dass es Anwendungsfälle gibt, von denen wir nichts wissen und die jemand erfinden wird.
Aus den Artikeln auf Ihrer Website
Verwandte Artikel im Internet