Intel ha reso disponibile per la ricerca Pohoiki Springs, il suo più potente sistema neuromorfico che fornisce la capacità computazionale di 100 milioni di neuroni. A breve il sistema, basato su cloud, verrà reso disponibile per i membri della Intel Neuromorphic Research Community, consentendo così di ampliare il lavoro al settore neuromorfico e risolvere problemi più complessi.
Integrando 768 chip neuromorfici da ricerca Loihi all’interno di uno chassis delle dimensioni di cinque server standard, Pohoiki Springs è un sistema montato su rack per data center ed è il più grande sistema di calcolo neuromorfico di Intel finora sviluppato.
I processori Loihi si ispirano al cervello umano. Come il cervello, Loihi è in grado di elaborare determinati processi impegnativi fino a 1.000 volte più velocemente e in maniera 10.000 volte più efficiente rispetto ai processori convenzionali. Pohoiki Springs rappresenta il passo successivo per ampliare l’utilizzo di questo tipo di architettura per valutarne il potenziale non solo per risolvere i problemi di intelligenza artificiale, ma per una vasta gamma di problemi difficili dal punto di vista computazionale.
Mike Davies, Direttore del Neuromorphic Computing Lab di Intel
Pohoiki Springs incrementa di oltre 750 volte il nostro chip neuromorfico per la ricerca, Loihi, funzionando a un livello di potenza inferiore a 500 watt. Il sistema consente ai nostri partner di ricerca di esplorare diversi modi di accelerare i carichi di lavoro che attualmente vengono eseguiti lentamente con le architetture convenzionali, fra cui i sistemi di High-Performance Computing (HPC).
Nel mondo naturale, anche alcuni dei più piccoli organismi viventi possono risolvere problemi computazionali notevolmente difficili. Allo stesso modo, il più piccolo sistema neuromorfico di Intel, Kapoho Bay, comprende due chip Loihi con 262.000 neuroni e supporta una varietà di carichi di lavoro in edge in tempo reale.
I ricercatori di Intel e INRC hanno dimostrato la capacità di Loihi di riconoscere i gesti in tempo reale, leggere il Braille usando una nuova pelle artificiale, orientare la direzione utilizzando punti di riferimento visivi appresi e imparare nuovi schemi olfattivi, il tutto consumando poche decine di milliwatt di potenza. Questi esempi su piccola scala hanno finora dimostrato un’eccellente scalabilità, elaborando in modo più veloce ed efficiente problemi più grandi impiegando Loihi rispetto a soluzioni convenzionali. Ciò rispecchia la scalabilità del cervello presente in natura, dagli insetti al cervello umano.
I sistemi neuromorfici di Intel, come Pohoiki Springs, sono ancora in fase di ricerca e non sono concepiti per sostituire i sistemi di elaborazione convenzionali. Offrono ai ricercatori uno strumento per sviluppare e caratterizzare nuovi algoritmi ispirati al cervello per l’elaborazione in tempo reale, la risoluzione dei problemi, l’adattamento e l’apprendimento.
I membri di INRC potranno accedere e sviluppare applicazioni su Pohoiki Springs tramite il cloud utilizzando Intel Nx SDK e componenti software con il contributo dalla comunity.
Esempi di algoritmi promettenti e altamente scalabili sviluppati per Loihi includono:
-soddisfacimento di vincoli: I problemi di soddisfacimento di vincoli (Constraint Satisfaction Problems) sono presenti ovunque nel mondo reale, dal gioco del Sudoku alla programmazione delle linee aeree e alla pianificazione della consegna di pacchi. Richiedono la valutazione di un gran numero di potenziali soluzioni per identificarne una o alcune che soddisfano vincoli specifici. Loihi può accelerare tali problemi esplorando molte soluzioni diverse in parallelo e ad alta velocità.
-Ricerca di grafi e schemi ricorrenti: Ogni giorno le persone cercano strutture di dati basate su grafi per trovare percorsi ottimali e modelli che corrispondono accuratamente, ad esempio per ottenere indicazioni stradali o riconoscere i volti. Loihi ha dimostrato la capacità di identificare rapidamente i percorsi più brevi nei grafi e di eseguire ricerche approssimate di immagini.
-Problemi di ottimizzazione: Le architetture neuromorfiche possono essere programmate in modo tale che il loro comportamento dinamico nel tempo ottimizzi matematicamente degli obiettivi specifici. Questo comportamento può essere applicato per risolvere problemi di ottimizzazione del mondo reale, come massimizzare la larghezza di banda di un canale di comunicazione wireless o allocare un portafoglio azionario per ridurre al minimo il rischio con un determinato tasso di rendimento.
