La plataforma de computación neuromórfica
Justificacion.
La computación neuromórfica implementa aspectos de las redes neuronales biológicas como copias analógicas o digitales en circuitos electrónicos. El objetivo de este enfoque es doble: Ofrecer una herramienta para la neurociencia para comprender los procesos dinámicos de aprendizaje y desarrollo en el cerebro y aplicar la inspiración del cerebro a la computación cognitiva genérica. Las principales ventajas de la computación neuromórfica en comparación con los enfoques tradicionales son la eficiencia energética, la velocidad de ejecución, la robustez frente a los fallos locales y la capacidad de aprender.
Computación neuromórfica en la HBP
En el HBP, el subproyecto de computación neuromórfica lleva a cabo dos actividades principales: Construir dos máquinas neuromórficas únicas a gran escala y prototipar la próxima generación de chips neuromórficos.
Las máquinas neuromórficas a gran escala se basan en dos principios complementarios. La máquina SpiNNaker de muchos núcleos ubicada en Manchester (Reino Unido) conecta 500.000 procesadores ARM con una red basada en paquetes optimizada para el intercambio de potenciales de acción neural (picos). La máquina de modelos físicos BrainScaleS ubicada en Heidelberg (Alemania) implementa modelos electrónicos analógicos de 4 millones de neuronas y 1 billón de sinapsis en 20 obleas de silicio. Ambas máquinas están integradas en la colaboración HBP y ofrecen soporte de software completo para su configuración, operación y análisis de datos. La característica más prominente de las máquinas neuromórficas es su velocidad de ejecución. El sistema SpiNNaker se ejecuta en tiempo real, BrainScaleS se implementa como un sistema acelerado y opera a 10.000 veces en tiempo real. Las simulaciones en los supercomputadores convencionales típicos corren factores de 1000 más lentos que la biología y no pueden acceder a las escalas de tiempo muy diferentes involucradas en el aprendizaje y el desarrollo que van desde milisegundos a años. Investigaciones recientes en neurociencia e informática han indicado que el aprendizaje y el desarrollo son un aspecto clave para la neurociencia y las aplicaciones del mundo real de la computación cognitiva. HBP es el único proyecto en el mundo que se ocupa de esta necesidad con las nuevas arquitecturas de hardware dedicadas
Sistemas disponibles
El sistema BrainScaleS se basa en emulaciones físicas (analógicas o de señales mixtas) de modelos de neuronas, sinapsis y plasticidad con conectividad digital, funcionando hasta diez mil veces más rápido que el tiempo real. El sistema SpiNNaker se basa en modelos numéricos que se ejecutan en tiempo real en chips multicore digitales personalizados usando la arquitectura ARM.
El sistema BrainScaleS (NM-PM-1) contiene 20 obleas de silicio de 8 pulgadas en tecnología de proceso de 180 nm. Cada oblea incorpora 50 x 106 sinapsis de plástico y 200.000 neuronas biológicamente realistas. El sistema no ejecuta código preprogramado pero evoluciona de acuerdo con las propiedades físicas de los dispositivos electrónicos, funcionando hasta 10 mil veces más rápido que el tiempo real.
El sistema SpiNNaker (NM-MC-1) proporciona casi 30.000 chips digitales personalizados, cada uno con dieciocho núcleos y una RAM compartida local de 128 Mbyte, dando un total de más de 500.000 núcleos. Un solo chip puede simular 16.000 neuronas con ocho millones de sinapsis de plástico funcionando en tiempo real con un presupuesto energético de 1W.
Hacia la próxima generación de máquinas HBP
Mientras que los chips de base que ahora operan en las dos máquinas a gran escala se han desarrollado en varios proyectos nacionales y europeos durante la última década, la próxima generación de chips se están desarrollando en la HBP. Aquellos chips de próxima generación serán la base para que la próxima generación de máquinas a gran escala esté operativa hacia el final de la actual planificación del proyecto hacia 2023. En la fase de puesta en marcha, los primeros prototipos para ambos enfoques complementarios, SpiNNaker y BrainScaleS, han sido Diseñado y producido. Ambos prototipos de chips utilizan el enorme progreso tecnológico en la tecnología de fabricación de estado sólido y son el resultado de una estrecha colaboración con neurocientíficos en la HBP. Se hace especial hincapié en mejorar considerablemente las capacidades para la aplicación eficaz del aprendizaje y el desarrollo.
Diseño del tercer ASIC del prototipo HICANN-DLS para el sistema BrainScaleS 2
Prototipo del chip de prueba SpiNNaker-2 y sistema de pequeña escala (Santos)
Outlook.
Comienzan a surgir una serie de demostraciones de los beneficios de la tecnología neuromórfica, y se puede esperar más a corto y medio plazo. En los Estados Unidos y en otras partes, están surgiendo varias empresas de nueva creación que explotan las ventajas prospectivas de las tecnologías neuromórficas y similares en estos nuevos dominios de aplicaciones de aprendizaje automático. En la HBP se dispone de sistemas de demostración a pequeña y gran escala que atraen a un número cada vez mayor de usuarios de la industria y del mundo académico. Si bien estos sistemas se hacen principalmente para la investigación básica sobre la comprensión del procesamiento de la información en el cerebro (humano), se están haciendo esfuerzos para implementar también tareas de aprendizaje de la máquina en ellos. Los chips de próxima generación de la arquitectura SpiNNaker y BrainScaleS estarán disponibles para los primeros usuarios en la primera mitad de 2018.
A medio plazo, podemos esperar que las tecnologías neuromórficas ofrezcan una gama de aplicaciones más eficiente que las computadoras convencionales, por ejemplo, para ofrecer capacidades de reconocimiento de voz e imagen en teléfonos inteligentes. (Actualmente, tales capacidades sólo están disponibles con poderosos recursos de nube para implementar los algoritmos de reconocimiento). Estos requerirán aceleradores neuromórficos a pequeña escala integrados con el procesador de aplicaciones, utilizando una fracción de los recursos de un solo chip. Los sistemas a gran escala pueden usarse para encontrar relaciones causales en datos complejos de la ciencia, finanzas, negocios y gobierno. Basado en las relaciones causales detectadas, tales sistemas neuromórficos pueden ser capaces de hacer predicciones temporales en diferentes escalas temporales.
A largo plazo, existe la posibilidad de utilizar la tecnología neuromórfica para integrar las funciones cognitivas inteligentes eficientes desde el punto de vista energético en una amplia gama de productos para consumidores y empresas, desde automóviles sin conductor hasta robots domésticos. Si bien la inteligencia artificial "fuerte" a nivel humano sigue siendo un misterio, y de hecho puede depender de la aparición de una comprensión del procesamiento de la información en el cerebro biológico (a través de iniciativas como el Proyecto Cerebro Humano) antes de convertirse en una realidad práctica, Aplicaciones útiles que pueden beneficiarse de capacidades cognitivas más modestas. La tecnología es relativamente joven, y hay mucha incertidumbre en cuanto a dónde encontrará su lugar en el mundo más amplio, pero satisface claramente una necesidad en el mundo rápidamente que cambia de computar. El hecho de que grandes empresas como IBM hayan definido la informática cognitiva como su principal negocio para el futuro hace que el desarrollo de arquitecturas de hardware neuromórficas sea especialmente interesante y económicamente atractivo.
Público objetivo
La plataforma de computación neuromórfica se dirige a los investigadores en múltiples campos, incluyendo la neurociencia computacional y el aprendizaje automático. Los usuarios de la plataforma podrán estudiar las implementaciones de red de su elección, incluyendo versiones simplificadas de modelos cerebrales desarrollados en la Plataforma de Simulación Cerebral de HBP o modelos de circuitos genéricos basados en trabajos teóricos.
La plataforma también ofrece a los investigadores de la industria y desarrolladores de tecnología la posibilidad de experimentar y probar aplicaciones basadas en dispositivos y sistemas neuromórficos de vanguardia.
En comparación con los recursos tradicionales HPC, los sistemas neuromórficos potencialmente ofrecen mayor velocidad (en tiempo real o acelerado) y menor consumo de energía. Los sistemas acelerados son particularmente adecuados para las investigaciones de la plasticidad y el aprendizaje, permitiendo la simulación de horas o días de tiempo biológico en sólo unos segundos.
Los usuarios no necesitan ser miembros del Proyecto de Cerebro Humano, pero necesitan una cuenta de comunidad de HBP (gratis). Para solicitar una cuenta y luego acceder a los sistemas a través de Internet, inicie aquí.
¿Que esperar?
Los sistemas aún tienen bordes ásperos, pero la plataforma ofrece soporte y entrenamiento para el usuario, y el software que soporta la plataforma se mejora continuamente.
Ambos sistemas (BrainScaleS y SpiNNaker) tienen una interfaz diseñada para investigadores en neurociencia, basada en scripts Python que utilizan la API PyNN para la especificación independiente de simuladores de modelos de redes neuronales. Los scripts PyNN también se ejecutan en los simuladores de software NEST, NEURON y Brian.
fuente. https://www.humanbrainproject.eu/en/silicon-brains/