Argumentando sobre chips neuromórficos para computação IA

Quando o CEO da Apple, Tim Cook apresentou o iPhone X, ele afirmou que “definiria o caminho para a tecnologia na próxima década”. Embora seja muito cedo para dizer, o mecanismo neural usado para reconhecimento de rosto foi o primeiro de seu tipo. Hoje, as redes neurais profundas são uma realidade, e a neuromórfica parece ser o único caminho prático para fazer progresso contínuo na IA.

Enfrentando restrições de largura de banda de dados e requisitos computacionais cada vez maiores, o sensoriamento e a computação devem se reinventar imitando arquiteturas neurobiológicas, afirmou um relatório publicado recentemente por Yole Développement (Lyon, França).

Em uma entrevista para o EE Times , Pierre Cambou, principal analista de imagens da Yole, explicou que o sensoriamento neuromórfico e a computação podem resolver a maioria dos problemas atuais da IA, ao mesmo tempo que abre novas perspectivas de aplicação nas próximas décadas. “A engenharia neuromórfica é o próximo passo em direção à biomimética e impulsiona o progresso em direção à IA.”

Por que agora?

Setenta anos se passaram desde que o matemático Alan Turing colocou a questão “As máquinas podem pensar?”, E trinta anos desde que Carver Mead, um engenheiro elétrico do Instituto de Tecnologia da Califórnia, introduziu o conceito de engenharia neuromórfica. Na década seguinte, entretanto, os pesquisadores tiveram pouco sucesso prático na construção de máquinas com capacidade semelhante à do cérebro para aprender e se adaptar. A esperança ressurgiu quando a Georgia Tech apresentou sua matriz neural programável de campo em 2006 e os pesquisadores do MIT revelaram um chip de computador que imita como os neurônios do cérebro se adaptam em resposta a novas informações em 2011.

O ponto de virada foi a publicação do artigo “Classificação ImageNet com Redes Neurais Convolucionais Profundas” por um grupo de cientistas da Universidade de Toronto. A arquitetura AlexNet, composta por uma rede neural convolucional de 8 camadas, tornou possível classificar as 1,2 milhões de imagens de alta resolução no concurso ImageNet em uma das 1.000 categorias (por exemplo, gatos, cães). “Foi apenas com o desenvolvimento do AlexNet que a abordagem de aprendizado profundo provou ser mais poderosa e começou a ganhar impulso no espaço de IA.”

Pierre Cambou

A maioria das técnicas atuais de implementação de aprendizado profundo se baseia na Lei de Moore e "funciona bem". Mas, à medida que o aprendizado profundo evolui, haverá cada vez mais demanda por chips que possam realizar tarefas computacionais elevadas. A Lei de Moore tem desacelerado recentemente e tem levado muitos na indústria, incluindo Yole Développement, a acreditar que não será capaz de sustentar o progresso do aprendizado profundo. Cambou está entre aqueles que acreditam que o aprendizado profundo “falhará” se continuar a ser implementado da maneira que está hoje.

Para explicar seu ponto de vista, Cambou citou três obstáculos principais. O primeiro é a economia da Lei de Moore. “Poucos jogadores serão capazes de jogar, e vamos acabar com uma ou duas fabs no mundo indo além de 7nm. Achamos que é prejudicial à inovação quando apenas o Google é capaz de fazer algo. ”

Em segundo lugar, a carga de dados está aumentando mais rápido do que a Lei de Moore, e o estouro de dados torna as tecnologias de memória atuais um fator limitante. E, terceiro, o aumento exponencial nos requisitos de energia de computação criou uma barreira térmica para cada aplicativo. “Com chips de 7 nm, temos uma eficiência de aproximadamente um teraflop por watt. Para alimentar um Waymo, provavelmente precisamos de um quilowatt, o que significa que precisamos de mil teraflops ”, disse Cambou. O paradigma da tecnologia atual é incapaz de cumprir a promessa, e a solução poderia ser aplicar o aprendizado profundo em hardware neuromórfico e tirar proveito da eficiência energética muito melhor.

Olhando mais amplamente para a situação atual, Cambou disse que é hora de uma abordagem disruptiva que utiliza os benefícios derivados de tecnologias de memória emergentes e melhora a largura de banda de dados e eficiência de energia. Essa é a abordagem neuromórfica. “A história da IA ​​continuará avançando e acreditamos que o próximo passo é na direção neuromórfica.”

Nos últimos anos, houve muitos esforços na construção de hardware neuromórfico que transmite habilidades cognitivas por meio da implementação de neurônios em silício. Para Cambou, esse é o caminho a seguir, já que “a abordagem neuromórfica está marcando todas as caixas certas” e permite eficiências muito maiores. “O hardware habilitou redes neurais e aprendizado profundo, e acreditamos que permitirá a próxima etapa na IA neuromórfica. Então, podemos sonhar novamente com IA e sonhar com aplicativos baseados em IA. ”

Crédito:Yole
Neurônios e sinapses

O hardware neuromórfico está saindo do laboratório de pesquisa com uma convergência de interesses e objetivos dos campos de detecção, computação e memória. Joint ventures estão sendo formadas, alianças estratégicas estão sendo assinadas e iniciativas de pesquisa de uma década, como o Projeto do Cérebro Humano da União Europeia, estão sendo lançadas.

Embora nenhum negócio significativo seja esperado antes de 2024, a escala da oportunidade pode ser significativa por décadas depois disso. De acordo com Yole, se todas as questões técnicas forem resolvidas nos próximos anos, o mercado de computação neuromórfica pode aumentar de US $ 69 milhões em 2024 para US $ 5 bilhões em 2029 e US $ 21,3 bilhões em 2034. O ecossistema é grande e diversificado, com jogadores proeminentes como a Samsung, Intel e SK Hynix, bem como startups como Brainchip, Nepes, Vicarious e General Vision.

Os chips neuromórficos não são mais uma teoria, mas um fato. Em 2017, a Intel lançou o Loihi, seu primeiro chip de pesquisa neuromórfico composto por 130.000 neurônios. Em julho, o grupo de Santa Clara atingiu um novo marco com seu sistema neuromórfico de 8 milhões de neurônios, codinome Praia de Pohoiki, compreendendo 64 chips de pesquisa Loihi. Da mesma forma, o chip de computador TrueNorth da IBM, inspirado no cérebro, tem 1 milhão de neurônios e 256 milhões de sinapses e o sistema neuromórfico Akida da Brainchip tem 1,2 milhão de neurônios e 10 bilhões de sinapses.

“Há uma corrida para fornecer hardware que elevaria o padrão em termos de neurônios e sinapses. As sinapses são provavelmente mais importantes do que os neurônios ”, disse Cambou. “No Yole, vemos dois passos à nossa frente. Primeiro, os aplicativos que serão desenvolvidos com base na abordagem atual, em parte assíncrona e em parte de Von Neumann. ” Bons exemplos são Akida de Brainchip e Loihi da Intel. “Então, provavelmente nos próximos 10 a 15 anos, teremos RRAM [memória de acesso aleatório resistiva] em cima dele. Isso permitirá que mais sinapses sejam criadas ”.

Os esforços de computação neuromórfica vêm de jogadores de memória como Micron, Western Digital e SK Hynix, mas muitos estão buscando mais receitas de curto prazo e, em última análise, podem não se tornar jogadores fortes na pesquisa neuromórfica. “Devemos olhar para os pequenos jogadores que escolheram o neuromórfico como sua tecnologia principal”, disse Cambou.

Inicializações de memória disruptiva, como Weebit, Robosensing, Knowm, Memry e Symetrix estão combinando tecnologia de memória não volátil com designs de chip de computação neuromórfica. Eles surgiram junto com startups de memória pure-play, como Crossbar e Adesto, mas sua abordagem de memristor (resistor de memória) é frequentemente percebida como mais de longo prazo do que os esforços de empresas de computação pureplay. “Muitos jogadores de memória estão trabalhando em RRAM e memórias de mudança de fase para imitar a sinapse”, disse Cambou. Além disso, “a MRAM [memória de acesso aleatório magnetorresistiva] faz parte das memórias emergentes que ajudarão a abordagem neuromórfica a ter sucesso.”

Crédito:Yole

Além da computação, surgiu um ecossistema de detecção neuromórfico, com suas raízes originadas da invenção de um neurônio do silício por Misha Mahowald no Instituto de Neuroinformática e ETH Zurique em 1991. A competição atual é baixa, com menos mais de dez jogadores em todo o mundo. Entre eles, Prophesee, Samsung, Insightness, Inivation e Celepixel estão fornecendo produtos prontos para uso, como sensores de imagem baseados em eventos e câmeras. A abordagem baseada em quadros, como usada na cinematografia, é incapaz de capturar o movimento.

“O cinema está enganando nosso cérebro, mas não podemos enganar um computador”, disse Cambou. “A única maneira certa de fazer isso é dar as mesmas informações que os olhos estão dando. Câmeras baseadas em eventos são muito fortes para qualquer tipo de compreensão de movimento e compreensão de padrões em tempo real. ” De forma mais ampla, os sensores auditivos, de imagem e comportamentais têm “um impacto em todos os níveis do que chamamos de inteligência geral”.

No nível de semicondutor empacotado, Yole disse que espera que o sensoriamento neuromórfico cresça de $ 43 milhões em 2024 para $ 2 bilhões em 2029 e $ 4,7 bilhões em 2034.

Automotivo, mas não só

O setor automotivo é provavelmente o mercado mais óbvio, disse Cambou. Os mercados iniciais são, no entanto, industriais e móveis, principalmente para robótica e percepção em tempo real.

No curto prazo, o sensoriamento neuromórfico e a computação serão usados ​​para o monitoramento permanente de máquinas industriais. Ele também terá um papel importante na logística, automação alimentar e agricultura. “Enquanto o aprendizado profundo precisa de grandes conjuntos de dados, o neuromórfico aprende extremamente rápido com apenas algumas imagens ou poucas palavras e entende o tempo”, disse Cambou.

Na próxima década, a disponibilidade de chips híbridos de computação in-memory deve desbloquear o mercado automotivo, esperando desesperadamente por uma tecnologia de direção autônoma de mercado de massa. “Vivemos em um mundo de interações e a neuromórfica será muito forte em dar aos computadores a compreensão de ambientes não estruturados.”