« Pressemitteilung »
Intel erweitert Neuromorphic mit Loihi 2, New Lava Software Framework und neuen Partnern
Der Forschungschip der zweiten Generation verwendet den Intel-4-Vorproduktionsprozess und wächst auf 1 Million Neuronen. Intel fügt offenes Software-Framework hinzu, um Entwicklerinnovationen und den Weg zur Kommerzialisierung zu beschleunigen.
Neuerungen: Intel hat heute Loihi 2, seinen neuromorphen Forschungschip der zweiten Generation, und Lava, ein Open-Source-Software-Framework für die Entwicklung neuro-inspirierter Anwendungen, vorgestellt. Ihre Einführung signalisiert Intels kontinuierliche Fortschritte bei der Weiterentwicklung der neuromorphen Technologie.
„Loihi 2 und Lava sammeln Erkenntnisse aus mehreren Jahren gemeinsamer Forschung mit Loihi. Unser Chip der zweiten Generation verbessert die Geschwindigkeit, Programmierbarkeit und Kapazität der neuromorphen Verarbeitung erheblich und erweitert seine Einsatzmöglichkeiten in leistungs-und latenzbeschränkten intelligenten Computeranwendungen. Wir führen Lava Open Sourcing, um den Bedarf an Softwarekonvergenz, Benchmarking und plattformübergreifender Zusammenarbeit in diesem Bereich zu decken und unseren Fortschritt in Richtung kommerzieller Rentabilität zu beschleunigen.“
–Mike Davies, Direktor von Intels Neuromorphic Computing Lab
Warum es wichtig ist: Neuromorphic Computing, das Erkenntnisse aus der Neurowissenschaft nutzt, um Chips zu entwickeln, die eher wie das biologische Gehirn funktionieren, strebt an, um Größenordnungen Verbesserungen in Bezug auf Energieeffizienz, Rechengeschwindigkeit und Lerneffizienz bei einer Reihe von Edge-Anwendungen: von Vision, Sprach-und Gestenerkennung bis hin zu Suchabruf, Robotik und eingeschränkten Optimierungsproblemen.
Zu den Anwendungen, die Intel und seine Partner bisher demonstriert haben, gehören Roboterarme, neuromorphe Skins und Geruchswahrnehmung.
Über Loihi 2: The research chip incorpor t die Erkenntnisse aus der dreijährigen Nutzung des Forschungschips der ersten Generation und nutzt den Fortschritt in der Prozesstechnologie und den asynchronen Designmethoden von Intel.
Fortschritte in Loihi 2 ermöglichen es der Architektur, neue Klassen von Neuro zu unterstützen-inspirierte Algorithmen und Anwendungen bei bis zu 10-mal schnellerer Verarbeitung1, bis zu 15-mal höherer Ressourcendichte2 mit bis zu 1 Million Neuronen pro Chip und verbesserter Energieeffizienz. Loihi 2 profitiert von einer engen Zusammenarbeit mit Intels Technology Development Group und wurde mit einer Vorserienversion des Intel 4-Prozesses hergestellt, was die Gesundheit und den Fortschritt von Intel 4 unterstreicht hat die Layout-Design-Regeln im Vergleich zu früheren Prozesstechnologien vereinfacht. Dadurch konnte Loihi 2 schnell entwickelt werden. Das Lava-Software-Framework adressiert den Bedarf an einem gemeinsamen Software-Framework in der neuromorphen Forschungsgemeinschaft. Als offenes, modulares und erweiterbares Framework wird Lava es Forschern und Anwendungsentwicklern ermöglichen, auf den Fortschritten des anderen aufzubauen und auf einen gemeinsamen Satz von Tools, Methoden und Bibliotheken zu konvergieren. Lava läuft nahtlos auf heterogenen Architekturen über konventionelle und neuromorphe Prozessoren hinweg und ermöglicht eine plattformübergreifende Ausführung und Interoperabilität mit einer Vielzahl von Frameworks für künstliche Intelligenz, neuromorphe und Robotik. Entwickler können ohne Zugang zu spezialisierter neuromorpher Hardware mit der Entwicklung neuromorpher Anwendungen beginnen und zur Lava-Codebasis beitragen, einschließlich der Portierung für die Ausführung auf anderen Plattformen.
“Ermittler des Los Alamos National Laboratory haben die neuromorphe Loihi-Plattform verwendet, um die Kompromisse zwischen Quanten-und neuromorphem Computing sowie die Implementierung von Lernprozessen auf dem Chip“, sagte Dr. Gerd J. Kunde, wissenschaftlicher Mitarbeiter des Los Alamos National Laboratory. „Diese Forschung hat einige spannende Äquivalenzen zwischen neuronalen Netzen mit Spiking und Ansätzen des Quanten-Annealing zur Lösung harter Optimierungsprobleme gezeigt. Wir haben auch gezeigt, dass der Backpropagation-Algorithmus, ein grundlegender Baustein für das Training neuronaler Netze, von dem bisher angenommen wurde, dass er auf neuromorphen Architekturen nicht implementiert werden kann, auf Loihi effizient realisiert werden kann. Unser Team freut sich, diese Forschung mit dem Loihi 2-Chip der zweiten Generation fortzusetzen.“
Über wichtige Durchbrüche: Loihi 2 und Lava bieten Forschern Werkzeuge zur Entwicklung und Charakterisierung neuer Neuro-inspirierte Anwendungen für Echtzeitverarbeitung, Problemlösung, Anpassung und Lernen. Bemerkenswerte Highlights sind:
Schnellere und allgemeinere Optimierung: Die bessere Programmierbarkeit von Loihi 2 ermöglicht die Unterstützung einer breiteren Klasse schwieriger Optimierungsprobleme, einschließlich Echtzeitoptimierung, Planung und Entscheidungsfindung von Edge-bis hin zu Rechenzentrumssystemen. Neue Ansätze für kontinuierliches und assoziatives Lernen: Loihi 2 verbessert die Unterstützung für fortgeschrittene Lernmethoden, einschließlich Variationen von Backpropagation, dem Arbeitspferd des Deep Learning. Dies erweitert den Anwendungsbereich von Anpassungs-und dateneffizienten Lernalgorithmen, die durch energiesparende Formfaktoren unterstützt werden können, die in Online-Einstellungen betrieben werden. Neuartige neuronale Netze, die durch Deep Learning trainiert werden können: Voll programmierbare Neuronenmodelle und generalisiertes Spike-Messaging in Loihi 2 öffnen die Tür zu einer Vielzahl neuer neuronaler Netzmodelle, die in Deep Learning trainiert werden können. Frühe Auswertungen deuten darauf hin, dass bei Loihi 2 im Vergleich zu Standard-Deep-Networks, die auf dem ursprünglichen Loihi laufen, ohne Genauigkeitsverlust über 60-mal weniger Ops pro Inferenz reduziert werden3. Loihi 2 behebt eine praktische Einschränkung von Loihi, indem es schnellere, flexiblere und mehr standardmäßige Eingabe-/Ausgabeschnittstellen integriert. Loihi 2-Chips werden Ethernet-Schnittstellen, kleberlose Integration mit einer breiteren Palette von ereignisbasierten Vision-Sensoren und größere vermaschte Netzwerke von Loihi 2-Chips unterstützen. Nahtlose Integration mit realen Robotiksystemen, konventionellen Prozessoren und neuartigen Sensoren: Loihi 2 behebt eine praktische Einschränkung von Loihi, indem es schnellere, flexiblere und standardmäßigere Eingabe-/Ausgabeschnittstellen integriert. Loihi 2-Chips werden Ethernet-Schnittstellen, kleberlose Integration mit einer breiteren Palette von ereignisbasierten Vision-Sensoren und größere vermaschte Netzwerke von Loihi 2-Chips unterstützen.
Über die Intel Neuromorphic Research Community: Die Intel Neuromorphic Research Community (INRC) ist auf fast 150 Mitglieder angewachsen, mit mehreren Neuzugängen in diesem Jahr, darunter Ford, Georgia Institute of Technology, Southwest Research Institute (SwRI) und Teledyne-FLIR. Neue Partner schließen sich einer starken Gemeinschaft von akademischen, staatlichen und Industriepartnern an, die mit Intel zusammenarbeiten, um Fortschritte bei der realen kommerziellen Nutzung neuromorpher Computer zu erzielen.
“Fortschritte wie der neue Loihi 2-Chip und die Lava-API sind wichtige Fortschritte beim neuromorphen Computing“, sagte Edy Liongosari, leitender Forschungswissenschaftler und Geschäftsführer bei Accenture Labs. „Die neuromorphe Architektur der nächsten Generation wird von entscheidender Bedeutung für die Forschung von Accenture Labs zu hirninspirierten Computer-Vision-Algorithmen für intelligentes Edge-Computing sein, die zukünftige Extended-Reality-Headsets oder intelligente mobile Roboter antreiben könnten. Der neue Chip bietet Funktionen, die ihn für hyperdimensionales Computing effizienter machen und ein fortgeschritteneres On-Chip-Lernen ermöglichen, während die Lava API Entwicklern eine einfachere und optimierte Schnittstelle zum Aufbau neuromorpher Systeme bietet.“
Über den Weg zur Kommerzialisierung: Die Weiterentwicklung des neuromorphen Computing von der Laborforschung zu einer kommerziell tragfähigen Technologie ist ein dreigleisiges Unterfangen. Es erfordert eine kontinuierliche iterative Verbesserung der neuromorphen Hardware als Reaktion auf die Ergebnisse der algorithmischen und Anwendungsforschung; Entwicklung eines gemeinsamen plattformübergreifenden Software-Frameworks, damit Entwickler die besten algorithmischen Ideen verschiedener Gruppen vergleichen, integrieren und verbessern können; und intensive Zusammenarbeit zwischen Industrie, Wissenschaft und Regierungen, um ein reichhaltiges, produktives neuromorphes Ökosystem für die Erforschung kommerzieller Anwendungsfälle aufzubauen, die einen kurzfristigen Geschäftswert bieten.
Die heutigen Ankündigungen von Intel umfassen all diese Bereiche und bringen neue Tools in die die Hände eines wachsenden Ökosystems neuromorpher Forscher, die das Computing von Grund auf neu überdenken, um Durchbrüche in der intelligenten Informationsverarbeitung zu erzielen.
Was kommt als nächstes: Intel bietet derzeit zwei Loihi 2-basierte neuromorphe Systeme über die Neuromorphic Research Cloud an engagierte Mitglieder des INRC: Oheo Gulch, ein Einzelchip-System zur frühen Evaluierung und Kapoho Point, ein Acht-Chip-System, das in Kürze verfügbar sein wird. Das Lava Software Framework steht zum kostenlosen Download auf GitHub zur Verfügung. Eine Präsentation und Tutorials zu Loihi 2 und Lava werden auf der kommenden Intel Innovation Veranstaltung im Oktober vorgestellt.
Das Kleingedruckte:
1 Basierend auf Lava-Simulationen im September, 2021 einer neunschichtigen Variante der PilotNet-DNN-Inferenz-Workload, die als Sigma-Delta-Neuralnetzwerk auf Loihi 2 implementiert ist, im Vergleich zu demselben Netzwerk, das mit SNN-Ratencodierung auf Loihi implementiert ist. Das Lava-Leistungsmodell für beide Chips basiert auf der Silizium-Charakterisierung unter Verwendung der Nx SDK-Version 1.0.0 mit einer Intel Xeon E5-2699 v3-CPU @ 2,30 GHz, 32 GB RAM als Host mit Ubuntu Version 20.04.2. Die Loihi-Ergebnisse verwenden das Nahuku-32-System ncl-ghrd-04. Loihi 2-Ergebnisse verwenden das Oheo Gulch-System ncl-og-04. Die Ergebnisse können variieren.
2 Basierend auf der Loihi 2-Kerngröße von 0,21 mm2, die bis zu 8192 Neuronen unterstützt, verglichen mit der Loihi-Kerngröße von 0,41 mm2, die bis zu 1024 Neuronen unterstützt.
3 Basierend auf Messungen der neun Schichten PilotNet DNN-Inferenz-Workload, auf den oben verwiesen wurde, wobei eine Sigma-Delta-Neuralnetzwerk-Implementierung auf Loihi 2 einen mittleren quadratischen Fehler (MSE) von 0,035 mit 323.815 synaptischen Operationen erreicht, verglichen mit einem ratencodierten SNN auf Loihi 1, der einen MSE von 0,0412 mit 20.250.023 Synapsen erreicht Betrieb.
« Ende der Pressemitteilung »