I dag, Intel meddelade att Pohoiki Springs är redo, sitt senaste och mest kraftfulla neuromorfa forskningssystem som ger beräkningskapacitet på 100 miljoner neuroner. Det molnbaserade systemet kommer att göras tillgängligt för medlemmar i Intel Neuromorphic Research Community (INRC), förlänga sitt neuromorfa arbete för att lösa större, mer komplexa problem.

"Pohoiki Springs skala upp vårt Loihi neuromorfa forskningschip med mer än 750 gånger, medan den fungerar med en effektnivå på under 500 watt. Systemet gör det möjligt för våra forskningspartners att utforska sätt att påskynda arbetsbelastningar som går långsamt idag på konventionella arkitekturer, inklusive högpresterande datorsystem (HPC), "säger Mike Davies, chef för Intels Neuromorphic Computing Lab.

Pohoiki Springs är ett datacenter rackmonterat system och är Intels största neuromorfa datorsystem som utvecklats hittills. Den integrerar 768 Loihi neuromorfa forskningschips i ett chassi på storleken till fem standardservrar.

Loihi -processorer tar inspiration från den mänskliga hjärnan. Som hjärnan, Loihi kan bearbeta vissa krävande arbetsbelastningar upp till 1, 000 gånger snabbare och 10, 000 gånger mer effektivt än konventionella processorer. Pohoiki Springs är nästa steg i att skala denna arkitektur för att bedöma dess potential att lösa inte bara artificiell intelligens (AI) problem, men ett brett spektrum av beräkningsmässigt svåra problem. Intel -forskare tror att extrem parallellism och asynkron signalering av neuromorfa system kan ge betydande prestandavinster vid dramatiskt minskade effektnivåer jämfört med de mest avancerade konventionella datorer som finns tillgängliga idag.

I den naturliga världen kan även några av de minsta levande organismerna lösa anmärkningsvärt hårda beräkningsproblem. Många insekter, till exempel, kan visuellt spåra objekt och navigera och undvika hinder i realtid, trots att de har hjärnor med långt under 1 miljon neuroner.

Liknande, Intels minsta neuromorfa system, Kapoho Bay, består av två Loihi -chips med 262, 000 neuroner och stöder en mängd olika arbetsbelastningar i realtid. Intel- och INRC -forskare har visat Loihis förmåga att känna igen gester i realtid, läsa punktskrift med ny konstgjord hud, orientera riktning med inlärda visuella landmärken och lära dig nya luktmönster - allt samtidigt som du förbrukar tiotals milliwatt ström. Dessa småskaliga exempel har hittills visat utmärkt skalbarhet, med större problem att köra snabbare och mer effektivt på Loihi jämfört med konventionella lösningar. Detta speglar skalbarheten hos hjärnor som finns i naturen, från insekter till mänskliga hjärnor.

Med 100 miljoner neuroner, Pohoiki Springs ökar Loihis neurala kapacitet till storleken på en liten däggdjurshjärna, ett stort steg på vägen mot att stödja mycket större och mer sofistikerade neuromorfa arbetsbelastningar. Systemet lägger grunden för ett autonomt, ansluten framtid, vilket kommer att kräva nya tillvägagångssätt för realtid, dynamisk databehandling.

Intels neuromorfa system, som Pohoiki Springs, befinner sig fortfarande i forskningsfasen och är inte avsedda att ersätta konventionella datorsystem. Istället, de ger ett verktyg för forskare att utveckla och karakterisera nya neuroinspirerade algoritmer för bearbetning i realtid, problemlösning, anpassning och lärande.

INRC-medlemmar kommer att få tillgång till och bygga applikationer på Pohoiki Springs via molnet med Intels Nx SDK och programvarukomponenter som bidragit från gemenskapen.

Exempel på lovande, mycket skalbara algoritmer som utvecklas för Loihi inkluderar:

• Begränsningstillfredsställelse:Begränsningstillfredsställelseproblem finns överallt i den verkliga världen, från spelet sudoku till flygplanering, till paketleveransplanering. De kräver att man utvärderar ett stort antal potentiella lösningar för att identifiera den eller några som uppfyller specifika begränsningar. Loihi kan påskynda sådana problem genom att utforska många olika lösningar parallellt med hög hastighet.
• Söker grafer och mönster:Varje dag, människor söker grafbaserade datastrukturer för att hitta optimala vägar och nära matchande mönster, till exempel för att få vägbeskrivningar eller för att känna igen ansikten. Loihi har visat förmågan att snabbt identifiera de kortaste sökvägarna i grafer och utföra ungefärliga bildsökningar.
• Optimeringsproblem:Neuromorfa arkitekturer kan programmeras så att deras dynamiska beteende över tid matematiskt optimerar specifika mål. Detta beteende kan tillämpas för att lösa verkliga optimeringsproblem, som att maximera bandbredden för en trådlös kommunikationskanal eller allokera en aktieportfölj för att minimera risken med en avkastningsmål.

Om neuromorf beräkning

Traditionella generella processorer, som CPU och GPU, är särskilt skickliga på uppgifter som är svåra för människor, till exempel mycket exakta matematiska beräkningar. Men teknikens roll och tillämpningar expanderar. Från automatisering till AI och därefter, det finns ett ökande behov av att datorer fungerar mer som människor, bearbetning av ostrukturerade och bullriga data i realtid, samtidigt som man anpassar sig till förändringar. Denna utmaning motiverar nya och specialiserade arkitekturer.

Neuromorphic computing är en fullständig omprövning av datorarkitektur från botten upp. Målet är att tillämpa de senaste insikterna från neurovetenskap för att skapa chips som fungerar mindre som traditionella datorer och mer som den mänskliga hjärnan. Neuromorfa system replikerar hur neuroner organiseras, kommunicera och lära på hårdvarunivå. Intel ser Loihi och framtida neuromorfa processorer definiera en ny modell för programmerbar dator för att tillgodose världens ökande efterfrågan på genomgripande, intelligenta enheter.