Нейроморфные алгоритмы: снижение энергопотребления ИИ

Современные компьютерные системы сталкиваются с существенными ограничениями в области энергоэффективности, особенно при работе с задачами искусственного интеллекта. Традиционная архитектура фон Неймана, где процессор и память разделены, приводит к значительным задержкам и расходу энергии из-за постоянной необходимости перемещения данных между этими компонентами. Это явление, известное как "стена памяти", замедляет работу ИИ и делает его энергозатратным, ограничивая возможности его применения вне мощных дата-центров.

Ученые из Университета Пердью и Технологического института Джорджии предлагают революционный подход, вдохновленный принципами работы человеческого мозга. Интеграция вычислительных функций непосредственно в блоки памяти или их близкое расположение может кардинально изменить ситуацию, преодолев "стену памяти" и открыв путь для новых, более эффективных алгоритмов.

Мозг как источник вдохновения

Принцип работы нейронов человеческого мозга, которые хранят и обрабатывают информацию в одном месте, а также активируются только при изменении состояния, лег в основу разработки спайковых нейронных сетей (SNN). Эти сети отличаются высокой эффективностью при обработке спорадических и нерегулярных данных, в отличие от классических нейросетей, которые лучше справляются с масштабными задачами, такими как распознавание образов.

"Возможности человеческого мозга всегда были источником вдохновения для систем ИИ. Алгоритмы машинного обучения зародились из способности мозга обучаться и обобщать данные. Теперь мы стремимся вывести это на новый уровень, воссоздавая эффективные механизмы обработки информации мозга", — отмечают исследователи.

ИИ "на лету"

Нейроморфный подход открывает перспективы для вывода ИИ из крупных дата-центров в реальный мир. Например, автономные дроны, используемые в поисково-спасательных операциях, должны моментально анализировать окружающую среду, идентифицировать объекты и принимать решения. Задержки, связанные с облачными вычислениями, недопустимы в таких сценариях. Использование event-based камер, которые передают данные только при существенных изменениях изображения, в сочетании с SNN, позволяет добиться необходимой эффективности.

Такие решения позволят дронам действовать более автономно и эффективно, а также расширят возможности ИИ в других областях, включая транспорт и медицинские устройства. "Чтобы ИИ вышел за пределы дата-центров и стал по-настоящему действенным инструментом, необходимо кардинально снизить его энергопотребление", — подчеркивают авторы исследования. Меньший объем передаваемых данных и более эффективная обработка позволят создавать компактные, доступные устройства с длительным временем работы от батареи.

Аппаратные решения

Для успешного применения SNN требуется специализированное аппаратное обеспечение, способное преодолеть "стену памяти". Системы "вычисления в памяти" (Compute-in-memory, CIM) выполняют расчеты непосредственно там, где хранятся данные, минимизируя перемещение информации. Это идеально подходит для SNN, которым требуется частый доступ к памяти для обновления состояний нейронов.

Существуют аналоговые и цифровые методы реализации CIM. Аналоговые используют электрические токи для вычислений, будучи более энергоэффективными, но менее точными. Цифровые методы обеспечивают более высокую точность, но потребляют больше энергии.

Исследователи подчеркивают, что оптимальным решением является комплексный подход — совместная разработка аппаратного обеспечения и алгоритмов. Это позволит создавать универсальные платформы, способные переключаться между классическими и нейроморфными сетями в зависимости от задачи, обеспечивая максимальную производительность и эффективность.