TU Graz ve Intel, Nöromorfik Donanım Kullanarak Önemli Enerji Tasarrufları Sağlıyor

Nature Machine Intelligence’ta yayınlanan araştırmaya nazaran, nöromorfik teknoloji, büyük derin öğrenme ağları için öteki yapay zekâ sistemlerine nazaran on altı kata kadar daha fazla güç verimliliği sağlıyor.

TU Graz’ın Teorik Bilgisayar Bilimi Enstitüsü ve Intel Labs, büyük bir hudut ağının, nöromorfik donanım üzerinde çalışırken nöromorfik olmayan donanıma kıyasla dört ila on altı kat daha az güç tükettiğini ve cümleler üzere dizileri işleyebileceğini birinci sefer deneysel olarak gösterdi. Bu yeni araştırma, biyolojik beyinde bulunanlar üzere fonksiyon gören yongalar oluşturmak için sinirbilimindeki içgörülerden yararlanan, Intel Labs’ın Loihi nöromorfik araştırma yongasına dayanıyor.

Araştırma, Avrupa genelinde insan beynini araştıran 500’den fazla biliminsanı ve mühendisle dünyanın en büyük araştırma projelerinden biri olan The Human Brain Project (İnsan Beyni Projesi – HBP) tarafından finanse edildi. Araştırmanın sonuçları Nature Machine Intelligence’ta “Memory for AI Applications in Spike-based Neuromorphic Hardware” (“Spike tabanlı Nöromorfik Donanımda Yapay Zeka Uygulamaları için Bellek” -DOI 10.1038/s42256-022-00480-w) başlıklı makalede yayınlandı.

Dünya çapındaki yapay zekâ (AI) araştırmaları, objeleri ve ortalarındaki alakaları özerk olarak tanıyabilen ve anlayabilen akıllı makinelere ve zeki bilgisayarlara odaklanır. Güç tüketimi ise, yapay zekâ metotlarının daha geniş bir formda uygulanmasının önünde kıymetli bir mahzur teşkil ediyor. Nöromorfik teknolojinin yanlışsız istikamette atılmış bir adım olduğu umuluyor. Nöromorfik teknoloji, güç kullanımı açısından son derece verimli olan insan beynini model alır. Yüz milyar nöron, bilgiyi işlemek için sadece yaklaşık 20 watt tüketime gereksinim duyar ve bu, ortalama bir güç tasarruflu ampulün tüketiminden pek de fazla değildir.

Bu araştırmada, araştırmacılar zamansal süreçlerle çalışan algoritmalara odaklandılar. Örneğin, sistem daha evvel anlatılan bir kıssayla ilgili sorulara karşılık vermek ve objeler yahut beşerler ortasındaki ilgileri bağlamdan anlamak zorundaydı. Test edilen donanımlar, 32 Loihi yongadan oluşuyordu.

TU Graz Teorik Bilgisayar Bilimi Enstitüsü’nde doktora öğrencisi olan Philipp Plank, “Sistemimizin, konvansiyonel donanımlardaki öteki yapay zekâ modellerine nazaran dört ila on altı kat daha fazla güç verimliliği sağladığı görüldü,” diyor. Bu modeller, yongadan yongaya irtibat performansını büyük ölçüde artıran sonraki jenerasyon Loihi donanımlarına taşındığından, Plank daha da fazla verimlilik yararı bekliyor.



Intel’in Neuromorphic Computing Lab (Nöromorfik Bilgisayar Laboratuvarları) yöneticisi Mike Davies ise, “Intel’in Loihi araştırma yongaları, bilhassa yüksek güç maliyetlerini düşürerek yapay zekâda kar sağlamayı vaat ediyor,” diyor ve şöyle ekliyor: “TU Graz ile yürüttüğümüz çalışma, nöromorfik teknolojinin, günümüzün derin öğrenme uygulamalarını biyolojik bir bakış açısıyla tekrar kıymetlendirerek güç verimliliğini artırabileceğine ait daha fazla delil sağlıyor.”

Philipp Plank’ın Teorik Bilgisayar Bilimleri Enstitüsü’ndeki doktora danışmanı olan Wolfgang Maass’ın açıkladığı üzere, araştırmacılar nöromorfik ağlarda beynin varsayılan bir hafıza düzeneğini tekrar yarattılar: “Deneysel çalışmalar, insan beyninin, sinirsel aktivite olmadığında bile, bilhassa nöronların ‘iç değişkenleri’ olarak bilinenlerde, kısa bir müddet için bilgi depolayabildiğini gösterdi. Simülasyonlara nazaran, bu kısa vadeli hafıza için nöronların bir alt kümesini içeren bir yorgunluk düzeneği gerekli.”

Bu iç değişkenler şimdi ölçülemediğinden, direkt delil bulunmuyor. Lakin bu, ağın daha evvel işlediği bilgileri yine oluşturmak için o sırada hangi nöronların yorulduğunu test etmesi gerektiği manasına geliyor. Öbür bir deyişle, geçmiş bilgiler, nöronların aktivitesizliğinde saklanır ve en düşük güç aktivitesizlik durumunda tüketilir

Araştırmacılar, bu hedefle iki çeşit derin öğrenme ağını ilişkilendirdi. Geribildirim hudut ağları, “sısa periyodik hafıza”dan sorumlu. Tekrarlayan modüller olarak isimlendirilen bu çeşit birçok modül, girdi sinyalinden muhtemel ilgili bilgileri filtreliyor ve saklıyor. Akabinde ileri bildirim ağı, mevcut vazifesi çözmek için hangi ilgilerin değerli olduğunu belirliyor. Anlamsız bağlantılar taranarak atılıyor ve nöronlar sadece ilgili bilgilerin bulunduğu modüllerde aktifleşiyor. Ve bu süreç, sonunda güç tasarruflarıyla sonuçlanıyor.

Davies, “Gelecekte, tekrarlayan sinirsel yapıların nöromorfik donanımlarda çalışan uygulamalar için en büyük karları sağlaması bekleniyor,” diye belirtiyor ve ekliyor: “Loihi üzere nöromorfik donanımlar, beyinde tespit ettiğimiz ve en yüksek güç verimliliği sağlayan yapay zekâ uygulamaları için gerekli süratli, seyrek ve öngörülemeyen ağ aktifliği modellerini desteklemek üzere eşsiz bir halde uyarlanıyor.”