Прочитав недавно вышедшую статью «Обзор современных проектов масштабного моделирования мозговой активности», хотелось бы рассказать еще об одном подобном проекте, проводимом научной группой в Манчестерском университете в Великобритании под руководством профессора Стив Фербер, создатель микрокомпьютера BBC и 32-битного микропроцессора ARM RISC, а также основатель компании ARM.
Эвзгляд в историю исследований в Манчестерском университете
Университет имеет выдающуюся историю развития вычислительной техники и сыграл революционную роль в развитии информатики и искусственного интеллекта.Первый в мире электронный компьютер под названием SSEM, также известный как "Малыш" , отличительной особенностью которой было совместное хранение данных и программ в памяти машины (иными словами, соответствие архитектуре фон Неймана), был создан в 1948 году Фредериком Уильямсом и Томом Килберном.
Само устройство создавалось не столько для вычислительных целей, сколько для изучения свойств компьютерной памяти на электронно-лучевых трубках (иначе «Трубки Вильямса» ).
Успех эксперимента побудил в следующем году создать Manchester Mark 1, в котором уже было устройство для чтения и записи перфоленты, позволяющее вводить/выводить данные с магнитного барабана без непосредственной остановки программы.
Также в Mark 1 впервые в мире были использованы индексные регистры.
Два года спустя там был разработан первый в мире коммерческий универсальный компьютер Ferranti Mark 1. Эти компьютеры стали прародителями почти всех современных компьютеров.
В экспериментах с "Малыш" и Марка 1, Алан Тьюринг, один из основоположников вычислительной техники и искусственного интеллекта, принимал непосредственное участие.
Тьюринг верил, что компьютеры в конечном итоге смогут думать, как люди.
Результаты своих исследований он опубликовал в статье «Вычислительные машины и разум», в которой, в частности, предложил мысленный эксперимент (который стал известен как тест Тьюринга), заключающийся в оценке способности машины мыслить.
: способен ли человек, разговаривая с невидимым собеседником, определить, общается ли он? он находится с другим человеком или искусственным устройством.
Мотивы проекта
Тест Тьюринга и предложенный в нем подход к моделированию мышления до сих пор не решены и остаются предметом горячих научных дискуссий.Главными недостатками современных компьютеров, отличающими их от мозга живых существ, являются неспособность к самообучению и неустойчивость к аппаратным сбоям, когда при выходе из строя одного компонента выходит из строя вся система.
Кроме того, современные компьютеры архитектуры фон Неймана не обладают рядом возможностей, которые легко выполняет человеческий мозг, таких как ассоциативная память и способность решать задачи классификации и распознавания объектов, кластеризации или прогнозирования.
Другая причина популярности подобных проектов — подход к физическому пределу увеличения мощности микропроцессоров.
Гиганты отрасли признают, что дальнейшее увеличение числа транзисторов не приведет к значительному увеличению быстродействия процессоров, а логика диктует увеличение количества самих процессоров в чипах, иными словами, идти по пути массового параллелизма.
Дилемма заключается в том, необходимо ли увеличивать мощность микропроцессоров до предела и только потом устанавливать в конечный продукт как можно больше таких процессоров, или же использовать упрощенные процессоры, способные выполнять основные математические операции.
Если есть возможность разделить проблему на произвольное количество во многом независимых подзадач, то побеждает система, построенная по последнему принципу.
Цели проекта SpiNNaker
Вышеупомянутые мотивы побуждают исследовательскую группу работать над проектом под названием SpiNNaker (Spiking Neural Network Architecture).Цель проекта — создать устройство с достаточно высокой устойчивостью к отказам, что достигается за счет разделения вычислительной мощности на n-количество частей, выполняющих простейшие подзадачи.
При этом при выходе из строя какой-либо из этих частей система продолжает корректно функционировать, лишь переконфигурируя себя таким образом, чтобы исключить ненадежный узел, перераспределить его обязанности между соседними узлами и найти альтернативные «синаптические» соединения для передачи сигналов.
Нечто подобное происходит и в человеческом мозге, поскольку примерно каждую секунду человек теряет нейрон, но на его способность мыслить это мало влияет. Еще одним преимуществом созданной системы является ее способность к самообучению – отличительная особенность нейронных сетей.
Таким образом, такая машина поможет ученым узнать о процессах, происходящих в коре головного мозга, и улучшить понимание сложного взаимодействия клеток мозга.
На первом этапе проекта планируется моделировать до 500 000 нейронов в реальном времени, что примерно соответствует количеству нейронов в мозгу пчелы.
Ожидается, что на заключительном этапе проекта устройство сможет моделировать до миллиарда нейронов, что примерно равно количеству нейронов в человеческом мозге.
Архитектура системы
Примечателен подход к проектированию компьютера.Предлагаемое устройство состоит из регулярной матрицы из 50 микросхем.
В каждом чипе установлено 20 микропроцессоров ARM968, причем 19 из них предназначены непосредственно для моделирования нейронов, а оставшийся контролирует работу чипа и ведет журнал активности.
Рис.
1. Схема системы Каждый такой чип представляет собой полноценную подсистему со своим маршрутизатором, внутренней синхронной динамической оперативной памятью с режимом прямого доступа (32 КБ для хранения инструкций и 64 КБ для хранения данных) и собственной системой передачи сообщений с пропускной способностью 8 Гбит в секунду.
Кроме того, каждый чип имеет 1 ГБ внешней памяти для хранения топологии сети.
По словам разработчиков, соотношение центрального процессора, внутренней памяти и средств передачи данных позволяет моделировать до 1000 нейронов в каждом микропроцессоре в реальном времени.
Отличительной особенностью этой системы является полное отсутствие синхронизации.
Каждый нейрон, достигнув определенного внутреннего состояния, посылает сигнал постсинаптическому нейрону, который соответственно посылает или не посылает (в зависимости от своего внутреннего состояния) новый сигнал последующему нейрону.
Обращает на себя внимание возможность перенастройки нейронной сети в ходе рабочего цикла.
Таким образом, это позволяет изолировать неисправные узлы, а также позволяет формировать новые связи между нейронами и, возможно, даже позволяет новым нейронам появляться по мере необходимости.
Перед началом реального моделирования в систему загружается файл конфигурации, определяющий расположение нейронов и исходные данные сети.
Этот метод загрузки данных требует наличия простой операционной системы на каждом чипе.
В рабочем состоянии машина требует постоянной подачи информации на вход, а результат поступает на устройство вывода.
Рис.
2. Тестовый чип Возникает необходимость в системе мониторинга происходящих процессов внутри самой машины для поддержки, исправления ошибок и ручной реконфигурации системы.
Для этого можно вручную остановить машину с сохранением текущего состояния сети и после (при необходимости) соответствующих изменений загрузить новые конфигурации.
Перспективы
Несмотря на то, что основное назначение машины направлено на моделирование нейронных сетей, существует также возможность использования ее в других различных приложениях, требующих высокой вычислительной мощности, таких как сворачивание белков, расшифровка или поиск в базах данных.Теги: #искусственный интеллект #нейронная сеть #искусственный интеллект #крупномасштабное моделирование
-
Бардин, Джон
19 Oct, 24 -
Google Приглашает Вас «Заняться Любовью»
19 Oct, 24
