Et neuralt netværk er en kraftfuld ting, men meget grådig. Ingeniører fra Massachusetts Institute of technology (MIT) har formået at udvikle en ny chip, som reducerer strømforbruget af neurale netværk med 95%, hvilket kunne i teorien give dem mulighed for at arbejde selv på mobile enheder med batterier. Smartphones i dag bliver smartere og smartere, mere service, mere energi kunstig intelligens, som virtuelle assistenter og overførsel i realtid. Men normalt er det neurale netværk, der behandler data for disse tjenester i skyen, og smartphones kun sende data frem og tilbage.
Det er ikke ideelt, fordi det kræver en tyk kommunikationskanal, og forudsætter, at følsomme data sendes og opbevares utilgængeligt for brugeren. Men enorme mængder af energi, der kræves for at magten af neurale netværk, der kører på Gpu ‘ er, kan ikke opnås i en enhed, der kører på et lille batteri.
Ingeniører på MIT har udviklet en chip, der reducerer energiforbruget med 95%. Den chip, der dramatisk reducerer behovet for at overføre data frem og tilbage mellem hukommelse og processorer.
Neurale netværk består af tusindvis af indbyrdes forbundne kunstige neuroner, der er arrangeret i lag. Hver neuron modtager input fra flere neuroner i de underliggende lag, og hvis den samlede input passerer en vis grænse, den sender resultatet af flere neuroner ovenfor. Styrken af forbindelser mellem neuroner er bestemt af vægten, som er sat i læringsprocessen.
Dette betyder, at for hver neuron chip er at udlede de input-data for specifik forbindelse, og vægten af forbindelsen fra hukommelsen, skal du gange dem, gemme resultatet og derefter gentage processen for hver indgang. En masse af data, der bevæger sig frem og tilbage, brugt en masse energi.
MIT nye chip løser dette, beregner alle poster i parallel i hukommelsen med brug af analoge kredsløb. Dette reducerer mængden af data, du ønsker at overhale, hvilket fører til betydelige energibesparelser.
Denne fremgangsmåde kræver, at vægten af de forbindelser, der blev binære, ikke en række værdier, men tidligere teoretiske arbejde har vist, at dette ikke den store indflydelse på nøjagtigheden og forskere fundet, at resultaterne af den chip er afveget med 2-3% fra de normale tilfælde af et neuralt netværk, der kører på en standard computer.
Det er ikke første gang forskere skabe chips at håndtere de processer, der er i hukommelsen, hvilket reducerer strømforbruget af de neurale netværk, men første gang denne fremgangsmåde har været brugt til at lave kraftfulde neurale netværk, der er kendt for sin behandling af billeder.
“Resultaterne viser, imponerende specifikationer energi effektiv gennemførelse af foldning operationer inden for en hukommelse array,” siger Dario Gil, Vice President for kunstig intelligens hos IBM.
“Det helt sikkert åbner muligheden for at anvende mere komplekse convolutional neurale netværk til at kategorisere billeder og videoer på Internettet ting i fremtiden.”
Og det er interessant, ikke kun til de grupper, R&D. Lyst til at lave en AI på enheder som smartphones, husholdningsapparater og alle mulige enheder, tingenes internet presser mange af Silicon valley i den side af chips med lavt strømforbrug.
Apple har allerede integreret hans Neurale Motor i iPhone X, til magten, for eksempel, facial anerkendelse teknologi, og Amazon er rygter om at udvikle sine egne chips AI for den næste generation af digitale assistenter Echo.
Store virksomheder, chip-producenter også i stigende grad afhængige af machine learning, som tvinger dem til at gøre deres enheder endnu mere effektiv. I begyndelsen af dette år, ARM har introduceret to nye chip: Arm-processor Machine Learning arbejder med målsætningerne for den fælles AI, fra oversættelse, til ansigtsgenkendelse, og objektsøgnings-Arm-processor, der bestemmer, for eksempel ansigter i billeder.
De nyeste mobile chip Qualcomm, Snapdragon 845, har en grafisk processor, og i stort omfang fokuseret på AI. Virksomheden har også indført Snapdragon 820E, som skal arbejde i droner, robotter og industrielle enheder.
Vendes blikket fremad, IBM og Intel er ved at udvikle neuromorphic chips, arkitektur, der er inspireret af den menneskelige hjerne og utrolige energi-effektivitet. Dette kunne teoretisk set tillade Nord (IBM) og Loihi (Intel) til at foretage en kraftig læring maskine, der kun bruger en lille del af den energi, konventionelle chips, men disse projekter er stadig rent eksperimenterende.
For at gøre chips, der giver liv til neurale net at spare energi i batteriet vil være meget vanskeligt. Men i den aktuelle sats for innovation er “meget vanskelig” ser ganske muligt.
Chip MIT reduceret strømforbrug af det neurale netværk på de 95%
Ilya Hel