Die TU Graz und Intel Labs haben erstmals nachgewiesen, dass ein großes neuronales Netz Sequenzen auf neuromorpher Hardware um das 4- bis 16-fache effizienter verarbeiten kann als auf herkömmlicher Hardware. Die neuen Forschungsergebnisse basieren auf dem neuromorphen Forschungschip Loihi von Intel.
Smarte Maschinen und intelligente Computer, die selbstständig Objekte und Beziehungen zwischen verschiedenen Objekten erkennen und daraus schlussfolgern können, sind Gegenstand der weltweiten Forschung zu Künstlicher Intelligenz. Der Energieverbrauch ist ein Haupthindernis auf dem Weg zu einer breiteren Anwendung solcher KI-Methoden.
Einen Schub in die richtige Richtung erhofft man sich von neuromorpher Technik. Sie hat das menschliche Gehirn zum Vorbild, das Weltmeister in Sachen Energieeffizienz ist: Für das Verarbeiten von Informationen verbrauchen seine hundert Milliarden Neuronen nur etwa 20 Watt und damit nicht wesentlich mehr Energie, als eine durchschnittliche Energiesparlampe.
In seiner Arbeit, deren Ergebnisse in Nature Machine Intelligence publiziert wurden, konzentrierte sich das Team der TU Graz und Intel Labs auf Algorithmen, die mit zeitlichen Prozessen arbeiten. So musste das System beispielsweise Fragen zu einer zuvor erzählten Geschichte beantworten und die Beziehungen zwischen Objekten oder Personen aus dem Kontext erfassen. Die getestete Hardware bestand aus 32 Loihi-Chips.
Loihi Chip: viel energieeffizienter als nicht-neuromorphe Hardware
»Unser System auf Basis des neuromorphen Forschungschips Loihi ist vier- bis sechzehnmal energieeffizienter als andere AI-Modelle auf herkömmlicher Hardware«, so Philipp Plank, Doktorand am Institut für Grundlagen der Informationsverarbeitung der TU Graz. Plank erwartet weitere Effizienzsteigerungen, wenn diese Modelle auf die nächste Generation der Loihi-Hardware migriert werden, die die Leistung der Chip-zu-Chip-Kommunikation deutlich verbessert.
»Unsere Arbeit mit der TU Graz liefert weitere Beweise dafür, dass die neuromorphe Technologie die Energieeffizienz heutiger Deep-Learning-Workloads verbessern kann, indem ihre Implementierung aus der Perspektive der Biologie neu überdacht wird«, so Mike Davies, Direktor des Intel Neuromorphic Computing Lab.
In ihrem Konzept bildete die Gruppe eine vermutete Methode des menschlichen Gehirns nach, wie Wolfgang Maass, Doktorvater von Philipp Plank und emeritierter Professor am Institut für Grundlagen der Informationsverarbeitung erklärt: »Simulationen lassen darauf schließen, dass ein Ermüdungsmechanismus einer Untergruppe von Neuronen für das Kurzzeit-Gedächtnis wesentlich ist.«
Das Netzwerk muss nur testen, welche Neurone gerade ermüdet sind, um zu rekonstruieren, welche Informationen es vorher verarbeitet hat. Mit anderen Worten: Vorherige Information wird in Nicht-Aktivität von Neuronen gespeichert, und Nicht-Aktivität verbraucht die geringste Energie.
Verwandte Artikel
Graz University of Technology, INTEL GmbH
https://ift.tt/qgL06cB
Technik
Comments
Post a Comment