Defensa de los chips neuromórficos para la informática de IA

Cuando el director ejecutivo de Apple, Tim Cook presentó el iPhone X, afirmó que "marcaría el camino para la tecnología durante la próxima década". Si bien es demasiado pronto para saberlo, el motor neuronal utilizado para el reconocimiento facial fue el primero de este tipo. Hoy en día, las redes neuronales profundas son una realidad, y las neuromórficas parecen ser el único camino práctico para lograr un progreso continuo en la IA.

Al hacer frente a las limitaciones de ancho de banda de los datos y los requisitos computacionales en constante aumento, la detección y la computación deben reinventarse imitando las arquitecturas neurobiológicas, afirmaba un informe publicado recientemente por Yole Développement (Lyon, Francia).

En una entrevista con EE Times , Pierre Cambou, analista principal de imágenes en Yole, explicó que la detección y la computación neuromórficas podrían resolver la mayoría de los problemas actuales de la IA y abrir nuevas perspectivas de aplicaciones en las próximas décadas. “La ingeniería neuromórfica es el siguiente paso hacia la biomimetismo e impulsa el progreso hacia la IA”.

¿Por qué ahora?

Han pasado setenta años desde que el matemático Alan Turing planteó la pregunta "¿Pueden pensar las máquinas?", Y treinta años desde que Carver Mead, ingeniero eléctrico del Instituto de Tecnología de California, introdujo el concepto de ingeniería neuromórfica. En la siguiente década, sin embargo, los investigadores experimentaron poco éxito práctico en la construcción de máquinas con la capacidad del cerebro para aprender y adaptarse. La esperanza resurgió cuando Georgia Tech presentó su matriz neuronal programable de campo en 2006 y los investigadores del MIT dieron a conocer un chip de computadora que imita cómo las neuronas del cerebro se adaptan en respuesta a nueva información en 2011.

El punto de inflexión fue la publicación del artículo “Clasificación de ImageNet con redes neuronales convolucionales profundas” por un grupo de científicos de la Universidad de Toronto. La arquitectura AlexNet, que consta de una red neuronal convolucional de 8 capas, hizo posible clasificar los 1,2 millones de imágenes de alta resolución del concurso ImageNet en una de las 1.000 categorías (por ejemplo, gatos, perros). "Solo con el desarrollo de AlexNet, el enfoque de aprendizaje profundo demostró ser más poderoso y comenzó a ganar impulso en el espacio de la IA".

Pierre Cambou

La mayoría de las técnicas actuales de implementación de aprendizaje profundo se basan en la Ley de Moore y "funciona bien". Pero, a medida que evoluciona el aprendizaje profundo, habrá más y más demanda de chips que puedan realizar altas tareas computacionales. La Ley de Moore se ha desacelerado últimamente y ha llevado a muchos en la industria, incluido Yole Développement, a creer que no podrá sostener el progreso del aprendizaje profundo. Cambou se encuentra entre los que creen que el aprendizaje profundo "fallará" si continúa implementándose de la manera en que se encuentra actualmente.

Para explicar su punto de vista, Cambou citó tres obstáculos principales. El primero es la economía de la Ley de Moore. “Muy pocos jugadores podrán jugar, y terminaremos con una o dos fab en el mundo que superen las 7 nm. Creemos que es perjudicial para la innovación cuando solo Google puede hacer algo ".

En segundo lugar, la carga de datos aumenta más rápido que la ley de Moore y el desbordamiento de datos hace que las tecnologías de memoria actuales sean un factor limitante. Y tercero, el aumento exponencial de los requisitos de potencia informática ha creado una pared de calor para cada aplicación. “Con chips de 7 nm, tenemos aproximadamente una eficiencia de un teraflop por vatio. Para alimentar un Waymo, probablemente necesitemos un kilovatio, lo que significa que necesitamos mil teraflops ”, dijo Cambou. El paradigma tecnológico actual no puede cumplir la promesa, y la solución podría ser aplicar el aprendizaje profundo en hardware neuromórfico y aprovechar la eficiencia energética mucho mejor.

Tomando una mirada más amplia a la situación actual, Cambou dijo que es hora de un enfoque disruptivo que utilice los beneficios derivados de las tecnologías de memoria emergentes y mejore el ancho de banda de datos y la eficiencia energética. Ese es el enfoque neuromórfico. "La historia de la IA seguirá avanzando y creemos que el siguiente paso es en la dirección neuromórfica".

En los últimos años, se han realizado muchos esfuerzos para construir hardware neuromórfico que transmita habilidades cognitivas mediante la implementación de neuronas en silicio. Para Cambou, este es el camino a seguir, ya que "el enfoque neuromórfico está marcando todas las casillas correctas" y permite eficiencias mucho mayores. “El hardware ha habilitado las redes neuronales y el aprendizaje profundo, y creemos que permitirá el siguiente paso en la IA neuromórfica. Entonces podremos volver a soñar con IA y soñar con aplicaciones basadas en IA ".

Crédito:Yole

Neuronas y sinapsis

El hardware neuromórfico está saliendo del laboratorio de investigación con una convergencia de intereses y objetivos de los campos de la detección, la computación y la memoria. Se están formando empresas conjuntas, se están firmando alianzas estratégicas y se están lanzando iniciativas de investigación de una década, como el Proyecto Cerebro Humano de la Unión Europea.

Si bien no se esperan negocios importantes antes de 2024, la escala de la oportunidad podría ser significativa durante las décadas posteriores. Según Yole, si se resuelven todas las cuestiones técnicas en los próximos años, el mercado de la computación neuromórfica podría aumentar de $ 69 millones en 2024 a $ 5 mil millones en 2029 y $ 21,3 mil millones en 2034. El ecosistema es grande y diverso con jugadores prominentes como Samsung, Intel y SK Hynix, así como empresas emergentes como Brainchip, Nepes, Vicarious y General Vision.

Los chips neuromórficos ya no son una teoría, sino un hecho. En 2017, Intel presentó Loihi, su primer chip de investigación neuromórfica compuesto por 130.000 neuronas. En julio, el grupo de Santa Clara alcanzó un nuevo hito con su sistema neuromórfico de 8 millones de neuronas, con nombre en código Pohoiki Beach, que comprende 64 chips de investigación de Loihi. De manera similar, el chip de computadora inspirado en el cerebro TrueNorth de IBM tiene 1 millón de neuronas y 256 millones de sinapsis y el sistema neuromórfico en chip Akida de Brainchip tiene 1.2 millones de neuronas y 10 mil millones de sinapsis.

“Existe una carrera por proporcionar hardware que suba el listón en términos de neuronas y sinapsis. Las sinapsis son probablemente más importantes que las neuronas ”, dijo Cambou. “En Yole, vemos dos pasos por delante de nosotros. Primero, las aplicaciones que se construirán sobre el enfoque actual, en parte asincrónicas y en parte de Von Neumann ". Buenos ejemplos son Akida de Brainchip y Loihi de Intel. “Entonces, probablemente dentro de los próximos 10 a 15 años, obtendremos RRAM [memoria resistiva de acceso aleatorio] encima. Eso permitirá que se creen más sinapsis ".

Los esfuerzos de computación neuromórfica provienen de reproductores de memoria como Micron, Western Digital y SK Hynix, pero muchos buscan más ingresos a corto plazo y, en última instancia, es posible que no se conviertan en actores importantes en la investigación neuromórfica. "Deberíamos mirar a los jugadores pequeños que han elegido neuromorphic como su tecnología principal", dijo Cambou.

Las empresas emergentes de memoria disruptivas como Weebit, Robosensing, Knowm, Memry y Symetrix están combinando tecnología de memoria no volátil con diseños de chips informáticos neuromórficos. Han surgido junto con nuevas empresas de memoria de juego puro como Crossbar y Adesto, pero su enfoque de memristor (resistencia de memoria) a menudo se percibe como más a largo plazo que los esfuerzos de las compañías de computación de juego puro. “Muchos reproductores de memoria están trabajando en RRAM y memorias de cambio de fase para imitar la sinapsis”, dijo Cambou. Además, “la MRAM [memoria magnetorresistiva de acceso aleatorio] es parte de las memorias emergentes que ayudarán a que el enfoque neuromórfico tenga éxito”.

Crédito:Yole

Además de la informática, ha surgido un ecosistema de detección neuromórfica, cuyas raíces se originaron en la invención de una neurona de silicio por Misha Mahowald en el Instituto de Neuroinformática y ETH Zurich en 1991. La competencia actual es baja, con menos de diez jugadores a nivel mundial. Entre ellos, Prophesee, Samsung, Insightness, Inivation y Celepixel ofrecen productos listos para usar, como cámaras y sensores de imagen basados ​​en eventos. El enfoque basado en fotogramas, como se usa en cinematografía, no puede capturar movimiento.

"El cine está engañando a nuestro cerebro, pero no podemos engañar a una computadora", dijo Cambou. “La única forma correcta de hacerlo es dar la misma información que dan los ojos. Las cámaras basadas en eventos son muy potentes para cualquier tipo de comprensión de movimiento y comprensión de patrones en tiempo real ". En términos más generales, los sensores auditivos, de imágenes y de comportamiento tienen "un impacto en todos los niveles de lo que llamamos inteligencia general".

A nivel de semiconductores empaquetados, Yole dijo que espera que la detección neuromórfica crezca de $ 43 millones en 2024 a $ 2 mil millones en 2029 y $ 4,7 mil millones en 2034.

Automotriz, pero no solo

La automoción es probablemente el mercado más obvio, dijo Cambou. Sin embargo, los mercados iniciales son industriales y móviles, principalmente para la robótica y la percepción en tiempo real.

A corto plazo, la detección y la computación neuromórficas se utilizarán para el monitoreo permanente de máquinas industriales. También jugará un papel importante en la logística, la automatización alimentaria y la agricultura. "Si bien el aprendizaje profundo necesita grandes conjuntos de datos, el neuromórfico aprende extremadamente rápido con solo unas pocas imágenes o algunas palabras y comprende el tiempo", dijo Cambou.

En la próxima década, la disponibilidad de chips informáticos híbridos en memoria debería desbloquear el mercado automotriz, esperando desesperadamente una tecnología de conducción autónoma para el mercado masivo. "Vivimos en un mundo de interacciones, y los neuromórficos serán muy fuertes para brindarles a las computadoras la comprensión de los entornos no estructurados".