Los chips analógicos encuentran una nueva oportunidad de vida en la inteligencia artificial

0
4
Los chips analógicos encuentran una nueva oportunidad de vida en la inteligencia artificial

La necesidad de velocidad es un tema candente entre los participantes en la Cumbre de hardware de IA de esta semana: modelos de lenguaje de IA más grandes, chips más rápidos y más ancho de banda para que las máquinas de IA hagan predicciones precisas.

Pero algunas nuevas empresas de hardware están adoptando un enfoque retrospectivo para la informática de IA para contrarrestar el enfoque de más es mejor. Empresas como Innatera, Rain Neuromorphics y otras están creando cerebros de silicio con circuitos analógicos para imitar la funcionalidad del cerebro.

El cerebro es inherentemente analógico, tomando datos sensoriales sin procesar, y estos fabricantes de chips están tratando de recrear la forma en que las neuronas y las sinapsis del cerebro funcionan en los circuitos analógicos tradicionales.

Los chips analógicos pueden ser muy buenos dispositivos de detección de baja potencia, especialmente para algunas aplicaciones de sonido y visión, dijo Kevin Krewell, analista de Tirias Research.

“Analog es una representación más cercana de cómo actúa el cerebro usando células de memoria distribuidas para sostener el peso de las neuronas o alguna otra forma de sostener un peso analógico”, dijo Krewell.

La IA y el aprendizaje automático se basan principalmente en chips digitales en el perímetro o en los centros de datos. Pero hay un lugar para los chips analógicos en el perímetro, como en los teléfonos inteligentes o los automóviles, que necesitan inteligencia instantánea sin enviar datos a la nube, que se utiliza para brindar servicios de IA.

“No pretendemos reemplazar la tubería completa de IA”, dijo Sumeet Kumar, director ejecutivo de Innatera Nanosystems BV, con sede en Rijkswijk, Países Bajos.

El chip de IA de tercera generación de Innatera tiene 256 neuronas y 65 000 sinapsis y ejecuta la inferencia a menos de 1 milivatio, lo que no parece mucho en comparación con el cerebro humano, que tiene 86 000 millones de neuronas y funciona a unos 20 vatios. Pero Kumar dijo que es posible crear una red recurrente completamente conectada en la parte superior, y el chip puede funcionar con baterías de tipo botón.

Los clientes utilizan el chip para ejecutar aplicaciones de audio y radar, con un rendimiento que es competitivo con respecto a otros chips de la misma clase. El objetivo del chip es incorporar bajos niveles de aprendizaje e inferencia en el dispositivo, lo que se considera un gran desafío para la IA entre los participantes de la feria.

“Lo que estamos tratando de hacer es, lo que reconocemos es que cuando los datos se mueven de un sensor a la nube, en realidad se transforman en múltiples etapas por diferentes tipos de IA. Y lo que vemos muy a menudo es que los clientes manejan datos de sensores de bajo nivel en la nube, lo cual es completamente innecesario”, dijo Kumar.

El chip Innatera toma información proveniente de un sensor, que se convierte en picos, y el contenido de la entrada se codifica exactamente cuando ocurren estos picos.

“Así es exactamente como sucede en tu cerebro. Cuando escuchas algo, hay… cabello diminuto [cells] en su oído, que en realidad detecta cada banda de frecuencia y cuál es la energía dentro de esa banda. y esos cabellos [cells] vibrará, producirá picos, que luego irán al resto de su corteza auditiva. Esencialmente, estamos siguiendo exactamente el mismo principio”, dijo Kumar.

Detrás de ese principio, dentro de las neuronas del cerebro hay iones de calcio e iones bajos de sodio, y esas concentraciones cambian con el tiempo. El chip de Innatera replica ese mismo tipo de comportamiento usando corrientes.

“Escalamos la cantidad de corriente que entra y sale de la neurona. Así es como estamos imitando al cerebro”, dijo Kumar.

La idea no es interrumpir el flujo actual de IA hacia la nube, sino reemplazar la cosecha actual de chips de IA en el borde que no son capaces de tomar decisiones en el dispositivo. El chip también reduce el proceso de conversión de señales analógicas a digitales.

“Realmente no puedes traducir una señal analógica a larga distancia porque entonces realmente tienes degradación. Evitamos eso convirtiendo esa señal analógica en un pico”, dijo Kumar.

La base de la IA actual se basa en simular la acción de las neuronas del cerebro utilizando chips y técnicas digitales, lo que ha tenido mucho éxito. Según el progreso en la ley de Moore, esos circuitos y redes digitales se han vuelto más grandes y más rápidos.

Pero lo analógico tiene sus problemas. Por ejemplo, es más difícil obtener consistencia entre los chips analógicos con problemas de calibración como deriva,

“Los circuitos analógicos y las celdas de memoria no escalan como los circuitos digitales. Y la mayoría de las veces, lo analógico finalmente tiene que convertirse en digital para interactuar con el resto del sistema”, dijo Krewell.

Sin duda, el concepto de chips neuromórficos no es nuevo. Empresas como Intel e IBM han estado desarrollando chips inspirados en el cerebro y las universidades están desarrollando sus propias versiones con circuitos analógicos. Intel y otros han creado conciencia sobre la diferencia entre los chips neuromórficos y la IA convencional, pero las nuevas empresas sintieron la necesidad de impulsar sus productos a medida que los requisitos de cómputo de IA y la eficiencia energética están creciendo a un ritmo insostenible.

Otra compañía de chips de IA, Rain Neuromorphics, dijo que su chip que imita el cerebro se usaría en aceleradores de partículas en el Laboratorio Nacional de Argonne.

En una presentación en la Cumbre de hardware de IA, la empresa no proporcionó muchos detalles sobre cómo se usaría el chip, pero el director ejecutivo de la empresa, Gordon Wilson, dijo que el chip actuará como un cerebro de silicio que ayudaría al laboratorio de investigación. estudiar y sacar conclusiones sobre las colisiones de partículas.

El cerebro de silicio proporcionará inteligencia en el dispositivo para proteger contra la desviación del sensor, lo que puede causar que se envíen datos defectuosos a los sistemas de IA. El concepto de deriva del sensor es similar a la deriva del modelo en IA, en el que los datos incorrectos que se introducen en un modelo de aprendizaje pueden desviar el sistema de IA.

Wilson afirmó que las capacidades en el dispositivo del chip son más eficientes energéticamente en comparación con la IA en la nube.

“Necesitas la capacidad de aprender sobre la marcha. Necesita la capacidad de entrenar y ajustar con precisión contra esa deriva del sensor para mantener el rendimiento de este sistema”, dijo Wilson.

La primera iteración del chip Rain “esencialmente no se verá radicalmente diferente de… otros chips analógicos o mixtos”, dijo Wilson. Pero tendrá la capacidad de aprender, lo que desbloqueará más valor.

Wilson señaló posiblemente diferentes tipos de memoria, como los circuitos de memristores, que brindan la capacidad de aprender. Los memristores han estado en desarrollo desde la década de 1960, y HP (que luego se convirtió en HPE) los persiguió para usarlos en una megacomputadora llamada The Machine, pero la tecnología sigue siendo una novedad.

“Memristor sirve como una resistencia de memoria. Es una resistencia que puede ajustar su resistencia. Se usa como una sinapsis artificial”, dijo Wilson. En un cerebro, no se requiere que las sinapsis sean perfectas, y los requisitos serán diferentes para los memristores de Rain.

El capitalista de riesgo Sam Altman, conocido por su trabajo en IA como director ejecutivo de OpenAI, invirtió 25 millones de dólares en Rain Neuromorphics a principios de este año.

LEAVE A REPLY

Please enter your comment!
Please enter your name here