Intel‘in Hala Point nöromorfik bilgisayarı, 1.000’den fazla yeni yapay zeka çipi tarafından destekleniyor ve eşdeğer geleneksel hesaplama sistemlerinden 50 kat daha hızlı performans sergiliyor.
Intel’deki bilim insanları, insan beynini taklit etmek için tasarlanmış olan dünyanın en büyük nöromorfik bilgisayarını inşa ettiler. Şirket, bu bilgisayarın gelecekteki yapay zeka (YZ) araştırmalarını destekleyeceğini umuyor.
“Hala Point” adı verilen bu makine, Intel temsilcilerinin açıklamasına göre, merkezi işlem birimleri (CPU’lar) ve grafik işlemcileri (GPU’lar) kullanan geleneksel hesaplama sistemlerine kıyasla yapay zeka iş yüklerini 50 kat daha hızlı gerçekleştirebiliyor ve 100 kat daha az enerji tüketiyor. Bu rakamlar, henüz hakem incelemesinden geçmemiş olan 18 Mart’ta IEEE Explore ön baskı sunucusuna yüklenen bulgulara dayanıyor.
Hala Point başlangıçta, New Mexico’daki Sandia Ulusal Laboratuvarı’nda kullanılacak, burada bilim insanları cihaz fiziksi, hesaplama mimarisi ve bilgisayar bilimi alanlarındaki sorunları çözmek için kullanacaklar.
Intel’in yeni Loihi 2 işlemcilerinden 1.152 adetle güçlendirilen bu büyük ölçekli sistem, 140.544 işlemci çekirdeği üzerine dağılmış 1,15 milyar yapay sinir hücresi ve 128 milyar yapay sinaptik bağlantı içeriyor.
Bu, saniyede 20 kentilyon işlem yapabilir – veya 20 petaops. Nöromorfik bilgisayarlar, süper bilgisayarlardan farklı olarak verileri işler, bu yüzden onları karşılaştırmak zordur. Ancak dünyanın 38. en güçlü süper bilgisayarı Trinity, yaklaşık olarak 20 petaFLOPS güce sahiptir – bir FLOP saniyede bir kayan nokta işlemidir. En güçlü süper bilgisayar olan Frontier ise 1.2 eksaFLOPS, veya 1.194 petaFLOPS performansa sahiptir.
Nöromorfik hesaplama nasıl çalışır
Nöromorfik hesaplama, mimarisi nedeniyle geleneksel hesaplamalardan farklıdır, Oak Ridge Ulusal Laboratuvarı’ndan (ORNL) bilgisayar bilimcisi Prasanna Date, ResearchGate’de yazdı. Bu tür bilgisayarlar sinir ağlarını kullanarak makineyi oluşturur.
Klasik hesaplama yönteminde, 1’lerin ve 0’ların ikili bitleri, işlemciler gibi donanıma akar ve ardışık olarak hesaplamaları işler ve ikili bir çıktı verir.
Ancak nöromorfik hesaplama yönteminde, “spike input” adı verilen bir dizi ayrık elektrik sinyali, işlemciler tarafından temsil edilen spikeleyen sinir ağlarına (SNN’ler) beslenir. Yazılım tabanlı sinir ağları, insan beynini taklit etmek için düzenlenmiş bir makine öğrenimi algoritmaları koleksiyonudur, SNN’ler ise bu bilginin nasıl iletildiğinin fiziksel bir temsilidir. Paralel işleme izin verir ve hesaplamaları takip eden spike çıktıları ölçülür.
Hala Point ve Loihi 2 işlemcileri, beynin kullanımını taklit eden bu SNN’leri kullanır; farklı düğümler bağlanır ve bilgi farklı katmanlarda işlenir, beyindeki nöronlar gibi. Çipler ayrıca belleği ve hesaplama gücünü aynı yerde entegre eder. Geleneksel bilgisayarlarda, işleme gücü ve bellek ayrılmıştır; bu, verilerin bu bileşenler arasında fiziksel olarak seyahat etmesine neden olur. Her ikisi de paralel işlemeyi sağlar ve enerji tüketimini azaltır.
Nöromorfik hesaplamanın bir YZ oyun değiştirici olabileceği nedenleri
Erken sonuçlar ayrıca Hala Point’in YZ iş yükleri için yüksek bir enerji verimliliği okuması elde ettiğini gösteriyor: watt başına 15 trilyon işlem (TOPS/W). Çoğu geleneksel sinir işlem birimleri (NPUs) ve diğer YZ sistemleri genellikle 10 TOPS/W’nin altında kalır.
Nöromorfik hesaplama hala gelişmekte olan bir alan olup, Hala Point gibi az sayıda veya hiç makine dağıtılmamıştır. Bununla birlikte, Aralık 2023’te Batı Sydney Üniversitesi Uluslararası Nöromorfik Sistemler Merkezi (ICNS) araştırmacıları, benzer bir makineyi dağıtma planlarını duyurdu.
Açıklamalarına göre, “DeepSouth” adlı bilgisayarları, insan beyninin işlem hızına eşit olduklarını söyledikleri 228 trilyon sinaptik işlemi saniyede gerçekleştirebiliyorlar.
Hala Point ise bir “başlangıç noktasıdır”, gelecekte ticari olarak dağıtılabilecek gelecek sistemlere besin sağlayacak bir araştırma prototipi, Intel temsilcilerine göre.
Bu gelecekteki nöromorfik bilgisayarlar, hatta ChatGPT gibi büyük dil modellerinin (LLM’ler) sürekli olarak yeni verilerden öğrenmesine yol açabilir, bu da mevcut YZ dağıtımlarında bulunan büyük eğitim yükünü azaltabilir.
