Intel Loihi 2, il chip neuromorfico cresce e migliora

Intel ha presentato Loihi 2, il chip neuromorfico di seconda generazione per la ricerca, e Lava, un framework di software open-source per lo sviluppo di applicazioni ispirate ai sistemi neurali. Questo annuncio segna un importante progresso nella tecnologia neuromorfica di Intel.

“Loihi 2 e Lava nascono dopo anni di ricerca e collaborazione effettuate utilizzando Loihi. Il nostro chip di seconda generazione migliora notevolmente la velocità, la programmabilità e la capacità del calcolo neuromorfico, estendendone l’uso nelle applicazioni di computing intelligente con particolari necessità di potenza di calcolo e latenza. Abbiamo reso Lava open-source per rispondere a esigenze di convergenza nel software, di benchmarking e di collaborazione interpiattaforma sul campo, oltre che per accelerare il percorso verso la commercializzazione della tecnologia” – Mike Davies, direttore del Neuromorphic Computing Lab di Intel.

Perché è importante: Il calcolo neuromorfico, che trae informazioni dalle neuroscienze per creare chip con un funzionamento analogo a quello di un cervello biologico, aspira a migliorare di alcuni ordini di grandezza l’efficienza energetica, la velocità di calcolo e l’efficienza dell’apprendimento di una vasta gamma di applicazioni edge: visione, riconoscimento della voce e dei gesti, ricerca e recupero di dati, robotica, risoluzione di problemi di ottimizzazione.

Tra le applicazioni che Intel e i suoi partner hanno dimostrato a oggi possiamo elencare: bracci robotici, pelle neuromorfica, riconoscimento olfattivo.

Informazioni su Loihi 2: il chip di ricerca è stato sviluppato sulla base di tre anni di utilizzo del chip di prima generazione e si fonda sui progressi ottenuti da Intel nella tecnologia di elaborazione e nei metodi di progettazione asincrona.

• Gli avanzamenti di Loihi 2 consentono all’architettura di supportare nuove classi di algoritmi e applicazioni di natura neurologica, fornendo al contempo una velocità di elaborazioni fino a 10 volte superiore, una densità di risorse fino a 15 volte maggiore con un massimo di 1 milione di neuroni per chip e una migliore efficienza energetica. Beneficiando di una stretta collaborazione con il Technology Development Group di Intel, Loihi 2 è stato costruito sulla base di una versione di pre-produzione del processo Intel 4, che ne evidenzia i progressi. L’uso della litografia extreme ultraviolet (EUV) in Intel 4 ha semplificato le regole di progettazione del layout rispetto alle precedenti tecnologie di processo permettendo di sviluppare Loihi 2 in tempi più rapidi.
• Il framework di software Lava risponde all’esigenza di disporre di un framework di software comune a disposizione della comunità dei ricercatori. In quanto struttura aperta, modulare ed estensibile, Lava consentirà a ricercatori e sviluppatori di basarsi sui reciproci progressi e di convergere su un insieme comune di strumenti, metodi e librerie. Lava funziona senza soluzione di continuità su architetture eterogenee tra processori convenzionali e neuromorfici, consentendo l’esecuzione multipiattaforma e l’interoperabilità con numerosi framework di intelligenza artificiale, neuromorfici e robotici. Gli sviluppatori possono iniziare a creare applicazioni neuromorfiche senza doversi dotare di hardware neuromorfico specializzato e possono contribuire alla base del codice Lava, incluso il porting per l’esecuzione su altre piattaforme.

“I ricercatori del Los Alamos National Laboratory hanno utilizzato la piattaforma neuromorfica Loihi per studiare i rispettivi vantaggi del calcolo quantistico e di quello neuromorfico, oltre a implementare processi di apprendimento su chip”, ha affermato il dott. Gerd J. Kunde, staff scientist del Los Alamos National Laboratory. “Questa ricerca ha mostrato alcune interessanti equivalenze tra lo spiking delle reti neurali e gli approcci di ricottura quantica per risolvere problemi di ottimizzazione particolarmente complessi. Abbiamo anche dimostrato che l’algoritmo di back propagation, un elemento fondamentale per l’apprendimento delle reti neurali e precedentemente ritenuto non implementabile su architetture neuromorfiche, può essere realizzato in modo efficiente su Loihi. Il nostro team è entusiasta di continuare questa ricerca con il chip Loihi 2 di seconda generazione”.

Avanzamenti fondamentali: Loihi 2 e Lava forniscono ai ricercatori gli strumenti per sviluppare e caratterizzare applicazioni ispirate ai sistemi neurali per elaborazione in tempo reale, problem-solving, adattamento e apprendimento. Tra le caratteristiche principali:

• Ottimizzazione più rapida e più generalizzata: La maggiore programmabilità di Loihi 2 consentirà di affrontare una più ampia gamma di problemi di ottimizzazione complessi, tra cui l’ottimizzazione in tempo reale, la pianificazione e la capacità di prendere decisioni dai sistemi edge ai data center.
• Nuovi approcci di apprendimento continuo e associativo: Loihi 2 migliora il supporto per i metodi di apprendimento avanzati, comprese le variazioni di back propagation, l’algoritmo base del deep learning. Ciò amplia la portata dell’adattamento degli algoritmi di apprendimento efficiente energeticamente, che possono avvenire in dispositivi a basso consumo che operano in ambienti online.
• Nuove reti neurali istruibili attraverso deep learning: modelli neuronali completamente programmabili e uno spike messaging generalizzato in Loihi 2 aprono la porta a un’ampia gamma di nuovi modelli di reti neurali che possono essere istruiti attraverso deep learning. Le prime valutazioni suggeriscono una riduzione di oltre 60 volte nel numero di operazioni svolte per ogni inferenza su Loihi 2 rispetto alle reti deep standard in esecuzione sul primo Loihi senza perdere in precisione³.
• Integrazione senza soluzione di continuità con sistemi robotici di applicazione reale, processori convenzionai e nuovi sensori: Loihi 2 risolve un limite pratico di Loihi incorporando interfacce input/output più veloci, più flessibili e più standardizzate. I chip Loihi 2 supporteranno interfacce Ethernet, integrazione glueless con una gamma più ampia di sensori visivi basati su eventi e reti mesh più grandi.