En ny hjernelignende superdatamaskin har som mål å matche skalaen til den menneskelige hjernen

Publisert av Platon

Følgere: 0

En ny hjernelignende superdatamaskin har som mål å matche omfanget av den menneskelige hjernen PlatoBlockchain Data Intelligence. Vertikalt søk. Ai.

En superdatamaskin som er planlagt å gå online i april 2024 vil konkurrere med den estimerte operasjonshastigheten i den menneskelige hjernen, ifølge forskere i Australia. Maskinen, kalt DeepSouth, er i stand til å utføre 228 billioner operasjoner per sekund.

Det er verdens første superdatamaskin som er i stand til å simulere nettverk av nevroner og synapser (nøkkelbiologiske strukturer som utgjør nervesystemet vårt) på størrelse med den menneskelige hjernen.

DeepSouth tilhører en tilnærming kjent som nevromorf databehandling, som har som mål å etterligne de biologiske prosessene i den menneskelige hjernen. Det vil bli drevet fra International Centre for Neuromorphic Systems ved Western Sydney University.

Hjernen vår er den mest fantastiske datamaskinen vi kjenner. Ved å distribuere sin
datakraft til milliarder av små enheter (nevroner) som samhandler gjennom billioner av forbindelser (synapser), kan hjernen konkurrere med de kraftigste superdatamaskinene i verden, mens den bare krever den samme kraften som brukes av en kjøleskapslampe.

Superdatamaskiner tar vanligvis mye plass og trenger store mengder elektrisk kraft for å kjøre. Verdens kraftigste superdatamaskinden Hewlett Packard Enterprise Frontier, kan utføre litt over én kvintillion operasjoner per sekund. Den dekker 680 kvadratmeter (7,300 kvadratfot) og krever 22.7 megawatt for å kjøre.

Hjernen vår kan utføre samme antall operasjoner per sekund med bare 20 watt kraft, mens de bare veier 1.3 til 1.4 kilo. Blant annet har nevromorf databehandling som mål å låse opp hemmelighetene til denne fantastiske effektiviteten.

Transistorer ved grensene

30. juni 1945, matematikeren og fysikeren John von Neumann beskrev utformingen av en ny maskin, den Elektronisk diskret variabel automatisk datamaskin (Edvac). Dette definerte effektivt den moderne elektroniske datamaskinen slik vi kjenner den.

Smarttelefonen min, den bærbare datamaskinen jeg bruker til å skrive denne artikkelen, og den kraftigste superdatamaskinen i verden deler alle den samme grunnleggende strukturen introdusert av von Neumann for nesten 80 år siden. Disse har alle distinkte prosesserings- og minneenheter, hvor data og instruksjoner lagres i minnet og beregnes av en prosessor.

I flere tiår har antallet transistorer på en mikrobrikke doblet seg omtrent hvert annet år, en observasjon kjent som Moores lov. Dette gjorde at vi kunne ha mindre og billigere datamaskiner.

Imidlertid nærmer transistorstørrelser seg nå atomskalaen. Ved disse små størrelsene er overdreven varmeutvikling et problem, og det samme er et fenomen som kalles kvantetunnelering, som forstyrrer transistorenes funksjon. Dette bremser opp og vil til slutt stoppe transistorminiatyrisering.

For å overvinne dette problemet, utforsker forskere nye tilnærminger til
databehandling, med utgangspunkt i den kraftige datamaskinen vi alle har gjemt i hodet, den menneskelige hjernen. Hjernen vår fungerer ikke i henhold til John von Neumanns modell av datamaskinen. De har ikke separate databehandlings- og minneområder.

De fungerer i stedet ved å koble sammen milliarder av nerveceller som kommuniserer informasjon i form av elektriske impulser. Informasjon kan overføres fra en nevron til den neste gjennom et veikryss som kalles en synapse. Organiseringen av nevroner og synapser i hjernen er fleksibel, skalerbar og effektiv.

Så i hjernen – og i motsetning til i en datamaskin – styres minne og beregning av de samme nevronene og synapsene. Siden slutten av 1980-tallet har forskere studert denne modellen med den hensikt å importere den til databehandling.

Imitation of Life

Nevromorfe datamaskiner er basert på intrikate nettverk av enkle, elementære prosessorer (som fungerer som hjernens nevroner og synapser). Den største fordelen med dette er at disse maskinene er iboende "parallelle".

Dette betyr at, som med nevroner og synapser, praktisk talt alle prosessorene i en datamaskin kan potensielt operere samtidig og kommunisere i tandem.

I tillegg, fordi beregningene utført av individuelle nevroner og synapser er veldig enkle sammenlignet med tradisjonelle datamaskiner, er energiforbruket størrelsesordener mindre. Selv om nevroner noen ganger er tenkt på som prosesseringsenheter, og synapser som minneenheter, bidrar de til både prosessering og lagring. Data er med andre ord allerede lokalisert der beregningen krever det.

Dette øker hastigheten på hjernens databehandling generelt fordi det ikke er noe skille mellom minne og prosessor, noe som i klassiske (von Neumann) maskiner forårsaker en nedgang. Men det unngår også behovet for å utføre en spesifikk oppgave med å få tilgang til data fra en hovedminnekomponent, slik det skjer i konvensjonelle datasystemer og forbruker en betydelig mengde energi.

Prinsippene vi nettopp har beskrevet er hovedinspirasjonen for DeepSouth. Dette er ikke det eneste nevromorfe systemet som er aktivt for øyeblikket. Det er verdt å nevne Human Brain Project (HBP), finansiert under en EU-initiativ. HBP var i drift fra 2013 til 2023, og førte til BrainScaleS, en maskin lokalisert i Heidelberg, Tyskland, som emulerer måten nevroner og synapser fungerer på.

Hjerneskalaer kan simulere hvordan nevroner "spiker", måten en elektrisk impuls beveger seg langs en nevron i hjernen vår. Dette vil gjøre BrainScaleS til en ideell kandidat for å undersøke mekanikken til kognitive prosesser og, i fremtiden, mekanismer som ligger til grunn for alvorlige nevrologiske og nevrodegenerative sykdommer.

Fordi de er konstruert for å etterligne faktiske hjerner, kan nevromorfe datamaskiner være begynnelsen på et vendepunkt. De tilbyr bærekraftig og rimelig datakraft og lar forskere evaluere modeller av nevrologiske systemer, og er en ideell plattform for en rekke bruksområder. De har potensial til å både fremme vår forståelse av hjernen og tilbudet nye tilnærminger til kunstig intelligens.

Denne artikkelen er publisert fra Den Conversation under en Creative Commons-lisens. Les opprinnelige artikkelen.

Bilde Credit: marian anbu juwan / Pixabay