شرکت BrainChip با توسعه پردازنده Akida، گامی بلند در کاهش مصرف انرژی سیستم‌های هوش مصنوعی برداشته است.

 

به گزارش ایتنا و به نقل از اینترستینگ انجینیرینگ، این تراشه نورومورفیک که از شبکه‌های عصبی اسپایکی الهام گرفته، تنها در صورت تغییر داده‌های ورودی فعال می‌شود و به گفته سازندگانش می‌تواند مصرف انرژی را تا ۱۰۰ برابر کاهش دهد.

 

استیون برایت‌فیلد، مدیر ارشد بازاریابی BrainChip توضیح می‌دهد: «در سناریوهایی با داده‌های پراکنده مانند دوربین‌های نظارتی ثابت، صرفه‌جویی انرژی می‌تواند بین ۱۰ تا ۱۰۰ برابر باشد.» بر این اساس، Akida به جای پردازش تمام داده‌ها، تنها تغییرات بین فریم‌ها را محاسبه می‌کند.

 

گفتنی است این فناوری از مکانیزمی مشابه نورون‌های بیولوژیکی استفاده می‌کند که تنها در صورت دریافت سیگنال‌های قوی‌تر از آستانه مشخص فعال می‌شوند. برایت‌فیلد در تشریح این فرآیند می‌گوید: «سیگنال‌های ورودی با وزن‌های شبکه ترکیب می‌شوند. اگر دامنه ترکیبی از دامنه مرجع کمتر باشد، خروجی صفر خواهد بود.»

 

شایان ذکر است که برخلاف برخی شرکت‌ها که به دنبال پیاده‌سازی آنالوگ این معماری هستند، BrainChip رویکرد دیجیتال را انتخاب کرده است. این انتخاب باعث شده تراشه‌های Akida از قابلیت اطمینان بالاتر و سازگاری بهتر با فرآیندهای تولید نیمه‌هادی موجود برخوردار باشند.

 

با این حال، این فناوری محدودیت‌هایی نیز دارد. پردازنده Akida در حال حاضر تنها از محاسبات ۸ بیتی ثابت‌نقطه پشتیبانی می‌کند و مدل‌های پیچیده‌تر هوش مصنوعی که به دقت ۳۲ بیتی شناور نیاز دارند، با آن سازگار نیستند.

برایت‌فیلد تأیید می‌کند که شرکت قصد دارد در نسل‌های آینده تراشه‌ها، از محاسبات با دقت بالاتر پشتیبانی کند.

 

برای پل زدن بین معماری سنتی و نورومورفیک، BrainChip مجموعه نرم‌افزاری MetaTF را توسعه داده است که می‌تواند شبکه‌های عصبی کانولوشنی معمول را به فرمت مناسب Akida تبدیل کند.