مروری بر وضعیت محاسبات نرومورفیک

تاریخ : ۲۰ شهریور, ۱۳۹۵

تعداد بازدید : ۱۱۳۵

0 امتیاز از 0 رای
نسخه چاپی
موضوعات :

دکتر کارل هاینز میر، فیزیکدانی که تبدیل به پیشتاز عرصه محاسبات نرومورفیک شده است و رهبر پروژه اروپایی مغز انسان (HBP) است، مروری بر وضعیت فعلی محاسبات نرومورفیک داشته و آینده آن را پیش‌بینی کرده است.

محاسبات نرومورفیک که با سرعتی پایدار در حال پیشرفت است، انتظارهای بالایی از این راهکار محاسباتی کاملاً متفاوت ایجاد کرده است. نقاط قوت این نوع محاسبات، همانند نقاط قوت مغز که سعی در تقلید از عملکرد آن را دارد، شناسایی الگوها (فضا و زمان) و استدلال استنتاجی است. طرفداران این نوع محاسبات می‌گویند که امکان انجام محاسبات با مصرف انرژی بسیار پایین نیز جزء مزایای این سامانه‌ها به شمار می‌رود. در همایش ISC امسال، دکتر کارل هاینز میر، فیزیکدانی که تبدیل به پیشتاز عرصه محاسبات نرومورفیک شده است و رهبر پروژه اروپایی مغز انسان (HBP) است، مروری بر این حوزه داشته است.
او بر این باور است که حرکت به سمت معماری محاسباتی نرومورفیک نه تنها کارایی تقلید از عملکرد مغز را افزایش خواهد داد، بلکه در نهایت یادگیری و پردازش محاسباتی را ورای سرعت سامانه‌های زیستی تسریع کرده و موجب بروز کاربردهای جدیدی خواهد شد. وی در پایان سخنرانی خود نکات زیر را به عنوان وضعیت فعلی محاسبات نرومورفیک بیان کرد:
• سامانه‌های سخت‌افزاری پس از 10 سال توسعه به نقطه‌ای رسیده‌اند که امکان استفاده از آنها توسط غیرحرفه‌ای‌ها وجود دارد.
• درجه بالای قابلیت پیکربندی با ابزارهای نرم‌افزای ویژه، اما به شکلی روشن، عدم جایگزینی ماشین‌های معمولی
• تنها راه دسترسی به مقیاس‌های زمانی متفاوت در سامانه‌های عصبی در مقیاس بالا که آنها را عملکردی می‌سازد
• بسیار مناسب محاسبات استنتاجی تصادفی
• بسیار مناسب استفاده در ابزارهای زیرمیکرونی غیر CMOS
میر به شکلی قابل پیش‌بینی سرسخت بوده و به توان اثبات‌شده یادگیری عمیق و محاسبات شناختی اشاره می‌کند، در حالی که بازیگرانی همچون گوگل، آی‌بی‌ام و فیس بوک هنوز از معماری رایانه‌های معمولی بهره می‌برند. در حقیقت شبکه‌های عصبی مبتنی بر کامپیوتر تازه نیستند. این شبکه‌ها نقطه اتکای کاربردهای متنوعی به شمار می‌روند که با یک یا چند نوع شتابدهنده (GPU، FPGA،....) یاری می‌شوند. قابل ذکر است که NVIDIA امسال سرور یادگیری عمیق خود را توسعه داده است که در حقیقت یک ماشین تماماً GPU محسوب می‌شود.
بسیاری از تلاش‌های محاسبات شناختی/یادگیری عمیق روی ماشین‌های معمولی بسیار چشمگیر هستند. الگوریتم AlphaGo متعلق به شرکت زیر مجموعه گوگل به نام DeepMind امسال توانست قهرمان جهانی بازی Go را شکست دهد. اما استفاده ساده از شبکه‌های عصبی در کامپیوترهای معمولی و معماری فن نویمان با موانعی روبه‌روست. توان و سرعت یادگیری شبکه‌های مصنوعی از جمله این موانع به شمار می‌روند.

منبع : https://www.hpcwire.com/2016/08/15/think-fast-neuromorphic-computing-racing-ahead/

نظر شما
نظرسنجی

کتاب‌های‌ معرفی‌ شده در سایت را چگونه ارزیابی‌ می‌کنید؟