Hogyan működnek a neuromorf chipek – és miért fontosak?

A számítógépek gondolkodásának problémája

Minden, az 1940-es évek óta épített hagyományos számítógép ugyanazt az alapvető tervet követi: egy processzor gondolkodik, a memória tárolja az adatokat, és egy busz szállítja az információkat közöttük. Ezt von Neumann-architektúrának nevezik, és van egy végzetes hibája. Ahogy a mesterséges intelligencia egyre nagyobb adathalmazokat és gyorsabb számításokat igényel, ez a szűk adatbusz bénító szűk keresztmetszetté válik. A processzor több időt tölt az adatokra várva, mint ténylegesen számolva.

Az emberi agy nem szembesül ilyen korlátozással. A 86 milliárd neuronja ugyanazon a helyen tárolja és dolgozza fel az információkat, apró elektrokémiai impulzusokat használva, amelyek körülbelül 20 wattot fogyasztanak – kevesebbet, mint egy villanykörte. Ezzel szemben egy modern AI képzési klaszter több tíz megawattot is fogyaszthat. A neuromorf számítástechnika célja, hogy áthidalja ezt a szakadékot olyan chipek építésével, amelyek inkább agyként, mint számológépként működnek.

Miben különböznek a neuromorf chipek?

A neuromorf processzorok a hagyományos CPU-memória felosztást mesterséges neuronok és szinapszisok hálózatával helyettesítik, amelyeket közvetlenül a szilíciumba maratnak. Ezek az áramkörök tüskés neurális hálózatokat (SNN-eket) használnak – ez alapvetően eltérő megközelítés a mély neurális hálózatoktól, amelyek a mai AI-t működtetik.

Egy hagyományos neurális hálózatban minden neuron tüzel minden számítási ciklusban, energiát égetve, függetlenül attól, hogy az adat értelmes-e vagy sem. Egy SNN-ben a mesterséges neuronok idővel töltést halmoznak fel, és csak akkor tüzelnek, amikor elérnek egy küszöbértéket, pontosan úgy, ahogy a biológiai neuronok teszik. Ennek eredményeként a chip nagy része csendben marad egy adott pillanatban, csak a lényeges jeleket dolgozva fel.

Ez az eseményvezérelt tervezés drámai hatékonyságnövekedést eredményez. Az IBM szerint a neuromorf chipek akár 1000-szer energiahatékonyabbak is lehetnek, mint a GPU-k olyan feladatoknál, mint a valós idejű szenzoros feldolgozás és a mintázatfelismerés.

Kulcsszereplők és architektúrák

Számos jelentős chip kezdeményezés szorgalmazza a neuromorf hardverek gyakorlati alkalmazását:

• Intel Loihi 2 – Az Intel második generációs neuromorf kutatóchipje akár 10-szeresére is növeli elődjének feldolgozási sebességét. 2024-ben az Intel összeállította a Hala Pointot, a világ legnagyobb neuromorf rendszerét, amely 1152 Loihi 2 processzort tartalmaz 1,15 milliárd neuron szimulálására.
• IBM NorthPole – A képzés helyett AI következtetésre tervezték, a NorthPole minden memóriát egy chipre integrál, kiküszöbölve az adatátviteli késéseket. Az IBM szerint körülbelül 4000-szer gyorsabb, mint a korábbi TrueNorth chipje, miközben továbbra is rendkívül energiahatékony.
• BrainChip Akida – Egy kereskedelmi forgalomban kapható neuromorf processzor, amely a peremhálózati eszközöket célozza meg, a biztonsági kameráktól az autonóm drónokig, ahol a teljesítménykeret szűkös, és a késleltetésnek minimálisnak kell lennie.

Memrisztorok: A hiányzó láncszem

A következő generációs neuromorf hardverek kulcsfontosságú eleme a memrisztor – egy olyan alkatrész, amely megváltoztatja elektromos ellenállását az általa átfolyt áram története alapján, hasonlóan ahhoz, ahogy egy szinapszis erősödik vagy gyengül a használat során. A memrisztorok lehetővé teszik a chipek számára, hogy egyidejűleg végezzenek számítást és tárolást, teljesen kikerülve a von Neumann-szűk keresztmetszetet.

A Cambridge-i Egyetem kutatói nemrégiben kifejlesztettek egy módosított hafnium-oxidon alapuló memrisztort, amely körülbelül milliószor alacsonyabb kapcsolási áramokon működik, mint a hagyományos alternatívák. Az eszköz több száz különböző, stabil vezetési szintet produkált – ami kritikus követelmény az analóg memórián belüli számításhoz –, és akár 70 százalékkal is csökkentheti az AI hardver energiafogyasztását.

Merre tartanak a neuromorf chipek?

A neuromorf processzorok valószínűleg nem fogják egyhamar felváltani a GPU-kat a nagyméretű nyelvi modellek képzésében. Erősségük a következtetés a peremhálózaton: robotok, amelyek valós időben reagálnak, hordható eszközök, amelyek folyamatosan figyelik az egészségügyi adatokat, és autonóm járművek, amelyek közel nulla késleltetéssel dolgozzák fel az érzékelőadatokat. Mivel a tüskés neurális hálózatok természetesen kezelik az időbeli adatokat, kiválóan teljesítenek a hanggal, mozgással és érintéssel kapcsolatos feladatokban.

Ahogy az AI munkaterhelések továbbra is megterhelik a globális villamosenergia-hálózatokat, az agy hatékony számítási terve egyre kevésbé tűnik érdekességnek, és egyre inkább szükségességnek. A tüskékben gondolkodó chipek végső soron meghatározhatják, hogy a mesterséges intelligencia képes-e úgy skálázódni, hogy ne terhelje túl a bolygó energiaellátását.