CPU

Il sistema neuromorfico Intel Pohoiki Springs fornisce cento milioni di neuroni

Intel ha annunciato di aver completato il suo nuovo sistema di ricerca neuromorfico, Pohoiki Springs, che unisce 768 chip neuromorfici Loihi per fornire 100 milioni di neuroni, consumando allo stesso tempo solo 500 watt e occupando cinque chassis standard da server. Questo sistema sarà disponibile in cloud ai membri dell’Intel Neuromorphic Research Community (INRC) consentendo loro di esplorare carichi di lavoro neuromofici maggiori.

I chip neuromofici Loihi prendono ispirazione dal cervello umano imitandone il funzionamento dei neuroni, sono in grado di risolvere specifici problemi fino a 1000 volte più rapidamente e consumando fino a 10000 volte di meno. Inoltre il precedente sistema neuromorfico Kapoho Bay, composto da 262000 neuroni, è in grado di riconoscere movimenti in tempo reale, leggere braille usando una pelle artificiale e orientarsi usando punti di riferimento visivi imparati automaticamente.

Questo tipo di chip non è stato tuttavia creato per sostituire i processori classici, che già eccellono nel completare task difficili per gli esseri umani, come complessi calcoli matematici. Al contrario, servono a fornire ai ricercatori nuovi strumenti per sviluppare nuovi algoritmi “neurali” per processare informazioni in tempo reale, effettuare problem solving, imparare e adattarsi.

Con 100 milioni di neuroni, Pohoiki Springs raggiunge le dimensioni del cervello di un piccolo mammifero, un nuovo grande passo verso il supporto di carichi di lavoro neuromorfici molto più sofisticati. Alcuni esempi di algoritmi estremamente scalabili sviluppati fin’ora per Loihi includono: constraint satisfaction, ovvero la soluzione di un problema dati dei vincoli da rispettare, ad esempio nel Sudoku o in applicazioni più pratiche come scheduling e planning; ricerca in strutture dati basate su grafi per trovare il cammino più corto che collega due punti o per identificare pattern simili, ad esempio per indicazioni stradali o riconoscimenti facciali; problemi di ottimizzazione, ovvero minimizzare o massimizzare un certo insieme di valori in un problema, come massimizzare la quantità di merci trasportate o minimizzare il tempo richiesto da un insieme di task parzialmente dipendenti tra loro.

Se siete interessati al machine learning, Appunti sparsi di Machine Learning è una semplice introduzione poco tecnica a questo mondo!