«persbericht »
Intel verbetert neuromorfisch met Loihi 2, New Lava Software Framework en nieuwe partners
Onderzoekchip van de tweede generatie gebruikt pre-productie Intel 4-proces, groeit tot 1 miljoen neuronen. Intel voegt een open softwareframework toe om de innovatie van ontwikkelaars en de weg naar commercialisering te versnellen.
Wat is er nieuw: Vandaag introduceerde Intel Loihi 2, de tweede generatie neuromorfische onderzoekschip, en Lava, een open-source softwareraamwerk voor het ontwikkelen van neuro-geïnspireerde toepassingen. Hun introductie signaleert Intels voortdurende vooruitgang bij het bevorderen van neuromorfische technologie.
“Loihi 2 en Lava oogsten inzichten uit meerdere jaren van gezamenlijk onderzoek met behulp van Loihi. Onze tweede generatie chip verbetert de snelheid, programmeerbaarheid en capaciteit van neuromorfische verwerking aanzienlijk, waardoor het gebruik ervan wordt uitgebreid in intelligente computertoepassingen met beperkte kracht en latentie. We gebruiken Lava open source om tegemoet te komen aan de behoefte aan softwareconvergentie, benchmarking en platformoverschrijdende samenwerking in het veld, en om onze vooruitgang naar commerciële levensvatbaarheid te versnellen.”
–Mike Davies, directeur van Intel’s Neuromorphic Computing Lab
Waarom het ertoe doet: Neuromorphic computing, dat inzichten uit de neurowetenschap put om chips te creëren die meer als het biologische brein functioneren, streeft naar verbeteringen in energie-efficiëntie, rekensnelheid en efficiëntie van leren in een reeks randtoepassingen: van zicht-, stem-en gebarenherkenning tot zoekacties, robotica en beperkte optimalisatieproblemen.
Toepassingen die Intel en zijn partners tot nu toe hebben aangetoond, zijn onder meer robotarmen, neuromorfe skins en reukdetectie.
Over Loihi 2: The research chip incorpor leert van drie jaar gebruik met de onderzoekschip van de eerste generatie en maakt gebruik van de vooruitgang in Intel’s procestechnologie en asynchrone ontwerpmethoden.
Vooruitgang in Loihi 2 laat de architectuur nieuwe klassen neuronen ondersteunen-geïnspireerde algoritmen en applicaties, terwijl ze tot 10 keer snellere verwerking bieden1, tot 15 keer grotere resourcedichtheid2 met tot 1 miljoen neuronen per chip, en verbeterde energie-efficiëntie. Dankzij een nauwe samenwerking met Intel’s Technology Development Group, is Loihi 2 gefabriceerd met een pre-productieversie van het Intel 4-proces, dat de gezondheid en vooruitgang van Intel 4 onderstreept. Het gebruik van extreem ultraviolet (EUV) lithografie in Intel 4 heeft de lay-outontwerpregels vereenvoudigd in vergelijking met eerdere procestechnologieën. Dit heeft het mogelijk gemaakt om Loihi 2 snel te ontwikkelen. Het Lava-softwareframework komt tegemoet aan de behoefte aan een gemeenschappelijk softwareframework in de neuromorfische onderzoeksgemeenschap. Als een open, modulair en uitbreidbaar raamwerk stelt Lava onderzoekers en applicatieontwikkelaars in staat om voort te bouwen op elkaars vooruitgang en samen te komen tot een gemeenschappelijke set tools, methoden en bibliotheken. Lava draait naadloos op heterogene architecturen over conventionele en neuromorfische processors, waardoor platformoverschrijdende uitvoering en interoperabiliteit met een verscheidenheid aan kunstmatige intelligentie, neuromorfische en robotica-frameworks mogelijk wordt. Ontwikkelaars kunnen beginnen met het bouwen van neuromorfische applicaties zonder toegang tot gespecialiseerde neuromorfische hardware en kunnen bijdragen aan de Lava-codebasis, inclusief het overdragen ervan om op andere platforms te draaien.
“Onderzoekers van het Los Alamos National Laboratory hebben het Loihi neuromorfische platform gebruikt om de compromissen tussen kwantum-en neuromorfisch computergebruik, evenals het implementeren van leerprocessen op de chip”, zegt Dr. Gerd J. Kunde, stafwetenschapper, Los Alamos National Laboratory.”Dit onderzoek heeft een aantal opwindende equivalenten aangetoond tussen spiking neurale netwerken en kwantum-annealing-benaderingen voor het oplossen van harde optimalisatieproblemen. We hebben ook aangetoond dat het backpropagation-algoritme, een fundamentele bouwsteen voor het trainen van neurale netwerken en waarvan eerder werd aangenomen dat het niet implementeerbaar was op neuromorfe architecturen, efficiënt kan worden gerealiseerd op Loihi. Ons team is verheugd om dit onderzoek voort te zetten met de tweede generatie Loihi 2-chip.”
Over belangrijke doorbraken: Loihi 2 en Lava bieden onderzoekers hulpmiddelen voor het ontwikkelen en karakteriseren van nieuwe neurologische-geïnspireerde toepassingen voor realtime verwerking, probleemoplossing, aanpassing en leren. Opmerkelijke hoogtepunten zijn onder meer:
Sneller en meer algemene optimalisatie: Loihi 2’s grotere programmeerbaarheid zal het mogelijk maken een bredere klasse van moeilijke optimalisatieproblemen te ondersteunen, waaronder realtime optimalisatie, planning en besluitvorming van edge-tot datacentersystemen. Nieuwe benaderingen voor continu en associatief leren: Loihi 2 verbetert de ondersteuning voor geavanceerde leermethoden, waaronder variaties op backpropagation, het werkpaardalgoritme van deep learning. Dit vergroot de reikwijdte van aanpassings-en data-efficiënte leeralgoritmen die kunnen worden ondersteund door energiezuinige vormfactoren die in online omgevingen werken. Nieuwe neurale netwerken trainbaar door deep learning: volledig programmeerbare neuronmodellen en gegeneraliseerde spike-messaging in Loihi 2 openen de deur naar een breed scala aan nieuwe neurale netwerkmodellen die kunnen worden getraind in deep learning. Vroege evaluaties suggereren reducties van meer dan 60 keer minder ops per inferentie op Loihi 2 in vergelijking met standaard diepe netwerken die op de originele Loihi draaien zonder verlies aan nauwkeurigheid3. Loihi 2 lost een praktische beperking van Loihi op door snellere, flexibelere en meer standaard invoer/uitvoer-interfaces op te nemen. Loihi 2-chips ondersteunen Ethernet-interfaces, lijmloze integratie met een breder scala aan op gebeurtenissen gebaseerde vision-sensoren en grotere vermaasde netwerken van Loihi 2-chips. Naadloze integratie met echte robotsystemen, conventionele processors en nieuwe sensoren: Loihi 2 lost een praktische beperking van Loihi op door snellere, flexibelere en meer standaard invoer-/uitvoerinterfaces op te nemen. Loihi 2-chips ondersteunen Ethernet-interfaces, lijmloze integratie met een breder scala aan op gebeurtenissen gebaseerde vision-sensoren en grotere vermaasde netwerken van Loihi 2-chips.
Over de Intel Neuromorphic Research Community: de Intel Neuromorphic Research Community (INRC) is uitgegroeid tot bijna 150 leden, met dit jaar verschillende nieuwe toevoegingen, waaronder Ford, Georgia Institute of Technology, Southwest Research Institute (SwRI) en Teledyne-FLIR. Nieuwe partners sluiten zich aan bij een robuuste gemeenschap van academische, overheids-en industriepartners die samenwerken met Intel om vooruitgang te boeken in het commerciële gebruik van neuromorfe computers in de echte wereld.
“Vooruitgang zoals de nieuwe Loihi 2-chip en de Lava API zijn belangrijke stappen voorwaarts in neuromorphic computing”, zegt Edy Liongosari, hoofdonderzoeker en managing director bij Accenture Labs. “De neuromorfische architectuur van de volgende generatie zal cruciaal zijn voor het onderzoek van Accenture Labs naar door de hersenen geïnspireerde computervisie-algoritmen voor intelligent edge computing die toekomstige extended-reality-headsets of intelligente mobiele robots zouden kunnen aandrijven. De nieuwe chip biedt functies die hem efficiënter maken voor hyperdimensionaal computergebruik en geavanceerder on-chip leren mogelijk maken, terwijl de Lava API ontwikkelaars een eenvoudigere en meer gestroomlijnde interface biedt om neuromorfische systemen te bouwen.”
Over het pad naar commercialisering: De vooruitgang van neuromorfisch computergebruik van laboratoriumonderzoek naar commercieel levensvatbare technologie is een drieledige inspanning. Het vereist continue iteratieve verbetering van neuromorfe hardware als reactie op de resultaten van algoritmisch en toepassingsonderzoek; ontwikkeling van een gemeenschappelijk platformonafhankelijk softwareraamwerk zodat ontwikkelaars de beste algoritmische ideeën van verschillende groepen kunnen benchmarken, integreren en verbeteren; en diepgaande samenwerkingen tussen de industrie, de academische wereld en overheden om een rijk, productief neuromorf ecosysteem op te bouwen voor het verkennen van commerciële use-cases die zakelijke waarde op korte termijn bieden.
De aankondigingen van vandaag van Intel bestrijken al deze gebieden, waardoor nieuwe tools in de handen van een groeiend ecosysteem van neuromorfe onderzoekers die zich bezighouden met het herdenken van computergebruik vanaf de basis om doorbraken in intelligente informatieverwerking te realiseren.
Wat nu: Intel biedt momenteel twee op Loihi 2 gebaseerde neuromorfische systemen via de Neuromorphic Research-cloud aan betrokken leden van het INRC: Oheo Gulch, een systeem met één chip voor vroege evaluatie en Kapoho Point, een systeem met acht chips dat binnenkort beschikbaar zal zijn. Het Lava Software Framework is beschikbaar voor gratis download op GitHub. Een presentatie en tutorials over Loihi 2 en Lava zullen te zien zijn tijdens het komende Intel Innovation-evenement in oktober.
De kleine lettertjes:
1 Gebaseerd op Lava-simulaties in september, 2021 van een negenlaagse variant van de PilotNet DNN-inferentie-workload geïmplementeerd als een sigma-delta neuraal netwerk op Loihi 2 in vergelijking met hetzelfde netwerk geïmplementeerd met SNN-snelheidscodering op Loihi. Het Lava-prestatiemodel voor beide chips is gebaseerd op siliciumkarakterisering met behulp van de Nx SDK-release 1.0.0 met een Intel Xeon E5-2699 v3 CPU @ 2,30 GHz, 32 GB RAM, als host met Ubuntu-versie 20.04.2. Loihi-resultaten gebruiken Nahuku-32-systeem ncl-ghrd-04. Loihi 2 resultaten gebruiken Oheo Gulch systeem ncl-og-04. Resultaten kunnen variëren.
2 Gebaseerd op de Loihi 2-kerngrootte van 0,21 mm2 die tot 8192 neuronen ondersteunt in vergelijking met de Loihi-kerngrootte van 0,41 mm2 die tot 1024 neuronen ondersteunt.
3 Gebaseerd op metingen van de negenlaagse PilotNet DNN-inferentie-workload waarnaar hierboven wordt verwezen, waarbij een sigma-delta neuraal netwerkimplementatie op Loihi 2 een gemiddelde kwadratenfout (MSE) van 0,035 bereikt met 323.815 synaptische bewerkingen vergeleken met een snelheidsgecodeerde SNN op Loihi 1 die een MSE van 0,0412 bereikt met 20.250.023 synaptische operaties.
« einde van het persbericht »
