A Intel está testando o chip Loihi que inclui circuitos digitais que imitam mecanismos básicos do cérebro, tornando a aprendizagem de máquinas mais rápida e mais eficiente sem exigir maior poder computacional. Eles se inspiram em como os neurônios se comunicam e aprendem, usando picos e sinapses plásticas que podem ser moduladas com o decorrer do tempo, para ajudar os computadores a se auto-organizarem e tomarem decisões com base em padrões e associações.
O Intel Loihi oferece aprendizagem altamente flexível e combina treinamento e inferência em um único chip. Isto permite que as máquinas sejam autônomas e se adaptem em tempo real em vez de esperarem pela próxima atualização da nuvem. Pesquisas demonstraram aprendizagem a uma taxa 1 milhão de vezes melhor do que a de outras redes neurais típicas, conforme medição das operações totais, para obter uma precisão específica ao resolver problemas de reconhecimento de dígitos MNIST. Comparado com tecnologias como redes neurais convolutivas e redes neurais de aprendizagem profunda, o Intel Loihi usa muitos menos recursos para realizar a mesma tarefa.
As capacidades de autoaprendizagem já identificadas nesse chip oferecem um enorme potencial para melhorar aplicativos automotivos e industriais, além da robótica pessoal – qualquer aplicativo que se beneficie da operação autônoma e aprendizagem contínua em um ambiente desestruturado. Por exemplo, o reconhecimento do movimento de um carro ou moto.
Além disso, ele possui uma eficiência no consumo de energia 1000 vezes superior ao da computação de propósito geral necessária para sistemas típicos de treinamento.
A computação neuromórfica se inspira em nossa compreensão sobre a arquitetura cerebral e seu sistema de processamento de informações. As redes neurais do cérebro transmitem informações em pulsos ou picos, modulam as forças sinápticas ou o valor das interconexões com base no tempo desses pontos e armazenam essas mudanças localmente nas interconexões. Comportamentos inteligentes surgem das interações cooperativas e competitivas entre as múltiplas regiões das redes neurais cerebrais com o meio ambiente.
Os modelos para aprendizagem de máquinas como o deep learning ganharam avanços imensos recentemente com o uso de grandes conjuntos de dados de treinamento para o reconhecimento de objetos e eventos. No entanto, se esses conjuntos de dados não explicarem especificamente determinados elementos, situações ou circunstâncias, é impossível generalizar o aprendizado de máquinas.
Os benefícios potenciais dos chips de autoaprendizagem são ilimitados. Um exemplo é a leitura dos batimentos cardíacos de uma pessoa em várias condições – após correr, ou depois de uma refeição, ou antes de ir para a cama – para que o sistema neuromórfico possa analisar os dados e determinar qual seria o batimento cardíaco considerado "normal" para essa pessoa. Seria assim possível monitorar continuamente os dados de seu coração para alertar no caso de algum comportamento que fuja desse "normal" e ofereça riscos.
Outro exemplo de aplicação é para a segurança cibernética, onde uma anormalidade ou diferença nos fluxos de dados ajuda a identificar violações ou uma invasão ao sistema.
Recursos
Os recursos do Loihi test chip incluem:
*Malha neuromórfica totalmente assíncrona com muitos núcleos que suporta diversas de topologias de redes neurais discretas, hierárquicas e recorrentes com cada neurônio capaz de se comunicar com milhares de outros neurônios.
*Cada núcleo neuromórfico inclui um mecanismo de aprendizado que pode ser programado para adaptar parâmetros de rede durante a operação, apoiando supervisão, não supervisão, reforço e outros paradigmas de aprendizado.
*Fabricado com o processo tecnológico de 14nm da Intel.
*Um total de 130.000 neurônios e 130 milhões de sinapses.
*Desenvolvimento e teste de inúmeros algoritmos com alta eficiência, para problemas que incluem planejamento de caminho, satisfação de restrições, codificação esparsa, aprendizado de dicionário e aprendizagem e adaptação de padrões dinâmicos.
O que vem a seguir?
Impulsionada por avanços em computação e inovação algorítmica, o poder transformador da Inteligência Artificial deve afetar a sociedade em uma escala espetacular. Atualmente, a Intel está investindo na manutenção da Lei de Moore e na liderança em processos de fabricação para trazer ao mercado vários produtos novos – processadores Intel Xeon, tecnologia Intel Nervana, tecnologia Intel Movidius e FPGAs Intel – que abordam os requisitos únicos das cargas de trabalho AI da borda ao data center e a nuvem.
Mas tanto a computação de propósito geral, quanto hardware e software personalizados entram em cena em todas as escalas. O processador Intel Xeon Phi, amplamente usado em computação científica, gerou alguns dos maiores modelos do mundo para interpretar problemas científicos em larga escala, e o Movidius Neural Compute Stick é um exemplo de uma implantação de 1 watt para modelos previamente treinados.
À medida que as cargas de trabalho em IA ficam mais diversas e complexas, elas testam os limites das arquiteturas computacionais atualmente dominantes e aceleram novas abordagens inovadoras. Olhando para o futuro, a Intel acredita que a computação neuromórfica oferece uma maneira para fornecer desempenho acima da casa dos exaflops em um modelo baseado em como o cérebro trabalha.
Nos próximos meses, a Intel irá trazer conceitos como a computação neuromórfica para o mercado tradicional, a fim de suportar a economia mundial nos próximos 50 anos. No primeiro semestre de 2018, o chip de teste Intel Loihi será compartilhado com as principais universidades e instituições de pesquisa com foco no avanço da Inteligência Artificial.
