>> ابرکامپیوتر نورومورفیک ۶۵۰ هزار هسته برای élری ó دارو >> یک استارتاپ آلمانی با الهام از ساختار مغز انسان، ابرکامپیوتری پیشرفته ساخته که در دارویی نقش کلیدی ایفا میکند. این سیستم با بیش از ۶۵۰ هزار هسته پردازشی و معماریومورفیک، قادر به کاهش قابلتوجه مصرف انرژی در پردازشهای پیچیده بیولوژیک است. بر اساس گزارش EE، شرکت این ابرکامپیوتر را به دانشگاه لایپزیگ آلمان فروخته تا در بخش تحقیقات دارو استفاده شود.
سیستم مبتنی بر نسل دوم پردازنده است که توسط استیو فربر، یکی ازطراحیهای اصلی ARM، توسعه یافته و بهعنوان بزرگترین ابزار ومورفیک در شناخته میشود. چگونگی کار معماری ومورفیک در برخلاف ابرکامپیوترهای سنتی که ازGPUها برای پردازش موازی استفاده میکنند و تمام هستهها را بهصورت همزمان فعال میسازند، از تکنیک پراکنش دینامیک بهره میبرد.
به این معنا که فقط بخشهای مورد نیاز سختافزار برای یک وظیفه خاص فعال شده و dé در حالت خاموش باقی میمانند. این رویکرد دو مزیت اصلی دارد اولاً، کارایی ۱۸ برابر بالاتر از پردازشگرهای گرافیکی مدرن دارد؛ ثانیاً، مصرف کلی ía فقط ۲۵ کیلووات است، در حالی که ۴۳۲۰ تراشه در دو ر دانشگاه لایپزیگ جای گرفتهاند.
م است از مدلهای کوچک بهصورت موازی اجرا شوند — کاری که دقیقاً با معماری موازی و پراکند ومورفیک همخوانی دارد.
کریستین مایر، همبنیانگذار، توضیح میدهد یک نمونه اولیه از شبکه عصبی این سیستم میتواند ۲۰ میلیارد مولکول را در کمتر از یک ساعت غربال کند؛ این سرعت ۱۰۰ برابر سریعتر از یک خوشه با ۱۰۰۰ هسته CPU معمولی است.
آفاق هوش مصنوعی ومورفیک هکتور گونزالس، مدیرعامل، با تاکید بر این که الهامگرفته از مغز راه را برای مدلهای هوش مصنوعی جدید باز میداند، میگوید اجرای مدلهای ترکیبی چون که از هزاران زیرمدل تخصصی تشکیل شدهاند، بر روی GPUها بسیار مشکلزا و ناکارآمد است؛ اما بهصورت برای چنین بارهای محاسباتی است.
رکامپیوتر، باید به ساختار داخلی پردازندههای نگاهی عمیقتر بیندازیم.
هر تراشه شامل ۱۵۰ هسته است که بهصورت شبکهای همپوشانی متصل شدهاند و هر کدام قادر به شبیهسازی ۱۰۲۴ نورون هستند. این ĩa دارد که کل سیستم توان شبیهسازی حدود ۶۷۰ میلیون نورون را دارد، اگرچه به دلیل محدودیتهای اتصالات، تعداد مؤثر در حدود ۱۰۰ تریلیون تخمین زده میشود — عددی که بهطور قابلتوجهی به پیچیدگی مغز انسان نزدیک است. یکی از نوآوریهای کلیدی در، استفاده از حافظه توزیعشده و دسترسی به دادهها است.
در معماریهای سنتی، اصلی در انتقال داده بین پردازشگر و حافظه (به- ) قرار دارد؛ اما در، هر هسته شامل یک واحد حافظه محلی کوچک است و دادهها فقط در صورت نیاز بین هستهها جابجا میشوند. این کار مصرف انرژی را بهطور قابلتوجهی کاهش میدهد و اجازه میدهد تا سیستم با بارهای پراکنده و ناهمگام — شبیه به فعالیت مغز — کار کند.
ی (MD)، میتوانند میلیونها ترکیب شیمیایی را در ساعاتی بررسی کنند — کاری که قبلاً نیاز به هفتهها یا ماههای محاسبه بر روی خوشههای GPU داشت.
علاوه بر کشف دارو، این سیستم در حال بررسی برای کاربردهای دیگر مثل مدلسازی سیگنالهای مغزی در بیماریهای عصبی (مانند و )، بهینهسازی شبکههای هوش مصنوعی، و شبیهسازی الگوهای یادگیری تقویتی در محیطهای پیچیده استفاده میشود. بهطور بهتر برای پردازش رویدادهای زمانی-توالی (مثل ) مناسب است و این ویژگی در پردازش سیگنالهای EEG یا الفا-بیتا مغزی بسیار مفید است.
از نظر سبکی، با مصرف ۲۵ کیلووات برق، jäانه حدود ۲۱۹ مگاوات‑ساعت انرژی مصرف میکند — عددی که معادل jäانه مصرف ۵۰ خانوی متوسط در آلمان است. در مقابل، یک خوشه GPU معادل برای انجام کارهای مشابه میتواند بهراحتی ۵۰۰ تا ۱۰۰۰ کیلووات برق مصرف کند؛ یعنی حدود ۲۰ تا ۴۰ برابر کارآمدتر از نظر انرژی است.
تیم توسعه در حال کار بر روی نسل سوم این معماری است که هدف آن افزایش تراکم هسته تا ۱ میلیون واحد و بهبود کارایی اتصالات از طریق استفاده از فناوریهای فوتونی برای انتقال داده است. اگر این اهداف حاصل شود، سیستم قادر به شبیهسازی مغز انسانی با تفکیک و سرعت نزدیک به بیولوژیک خواهد شد — گامی عظیم در علم اعصاب محاسباتی و هوش مصنوعی پیشرفته.
در پایان، است که این فناوری نه تنها برای تحقیقات ی، بلکه برای صنعت داروسازی نیز ارزش استراتژیک دارد. شرکتهای بزرگ داروسازی بهتدریج در حال ارزیابی استفاده از سختافزارهای ومورفیک برای پایش خط تولید، پیشبینی اثرات جانبی، و بهینهسازی فرمولاسیون دارو هستند. با ارائه یک پلتفرم قابل و، میتواند در این تحول نقش بسازنده ایفا کند.
در ادامه بررسی عمیقتر از معماری، ضروری است تا به چالشهای فنی و راهحلهای نوآورانهای که تیم توسعه در آنها به کار رفته است، بپردازیم. یکی از بزرگترین موانع در ساخت سیستمهای ومورفیک بزرگ مقیاس، مدیریت حرارت و توزیع یکنواخت انرژی است.
در، هر تراشه در عادی حدود ۲ واط حرارت تولید میکند؛ اما با ۴۳۲۰ تراشه فعال، این عدد به حدود ۸۶۴۰ واط (۸٫۶۴ ) میرسد — عددی که با مصرف کلی ۲۵ گزارش شده، نشانگر این است که بخش قابلتوجهی از انرژی در انتقال داده، کنترل، و در منبع تغذیه هدر میرود.
برای مقابله با این مشکل، از یک سیستم خنککننده مایع دو مرحلهای استفاده میکند در مرحله اول، یک مایع با نقطه غلیظ بالا (مثل ) مستقیماً بر روی ماژولهای تراشه پاشیده و حرارت را جذب میکند؛ در مرحله دوم، این مایع به یک مبادل حرارتی خنککننده به هوا منتقل میشود و دور میگردد. این سیستم اجازه میدهد تا دماهای تراشه بهطور ثابت زیر ۸۵°C نگه داشته شوند — حد حرارتی ایمن برای عمل پایدار در صنعتی.
جالب است بدانید که نه تنها برای محاسبات پیشرو، بلکه بهعنوان یک پلتفرم تست برای الگوریستهای یادگیری عمیق نیز عمل میکند. در حالی که اکثر فریمورکهای یادگیری عمیق (مثل یا ) بر پایه تانسورهای دانس و محاسبه گرادیان هستند، شبکههای عصبی ضربهای بر اساس زمان و عمل میکنند.
برای آموزش چنین شبکهها، از نسخ از الگوریستهای STDP و الگوهای تعلم تقویتی مبتنی بر تقویت استفاده میکند که بر روی GPUها به دلیل عدم همزمانی و ओवरهد محاسبه گرادیان، غیرعملی یا بسیار کند هستند.
در یک مطالعه موردی اخیر، تیم لایپزیگ با استفاده از، یک شبکه عمیق با ۷ لایه و ۲ میلیون نورون قابل آموزش را در کمتر از ۴ ساعت برای تشخیص الگوهای پیچیده در سیگنالهای EEG آموزش داد — کاری که بر روی یک خوشه GPU معادل (مثل ۸× NVIDIA ) حدود ۲ روز طول میکشد و انرژی بیشتری مصرف میکند.
این نتایج، فرضیهای را تقویت میکند که برای انواع خاصی از محاسبات هوش مصنوعی — بهویژه آنهایی که به زمان و رویداد حساس هستند — معماریهای ومورفیک میتوانند بهطور قابلتوجهی برتری داشته باشند. نکتهٔ دیگری که در مورد باید به آن اشاره کرد، قابلیت مقیاسپذیری افقی آن است.
به دلیل طراحی ماژولار تراشهها و استفاده از پروتکل ارتباطی (که بر پایه پیامهای و بدون است)، میتوان تراشههای جدید را به سیستم اضافه کرد بدون نیاز به کامل مدار یا تغییر در پروتکل ارتباطی. این ویژگی، را را یک پلتفرم مستقبلپذیر میسازد که میتواند با پیشرفت فناوری تراشه، بهراحتی ارتقا یابد.
در حوزهٔ داروسازی، تیم لایپزیگ در حال استفاده از برای اجرای یک فریمورک جدید به نام است که در آن، هر مولکول دارویی بهعنوان یک با ویژگیهای زماندار (مثل فرکانس،، و ) نمایش داده میشود. سپس، یک شبکه عمیق الگوهای مربوط به مولکولهای فعال و غیرفعال را یاد میگیرد و میتواند در زمان واقعی، مولکولهای جدید را پیشبینی کند.
این رویکرد، بهویژه در یافتن داروهای یا غیرعادی (مثل ) که روشهای سنتی ممکن است آنها را از دست بدهند، فوقالعاده مؤثر است. از نظر بینالمللی، هماکنون در حال همکاری با پروژههای عظیمی مانند (HBP) در اروپا و BRAIN در ایالات متحده است. در چارچوب HBP، بهعنوان یکی از معتبر برای تست مدلهای قشر مغزی و پ استفاده میشود. در BRAIN، این سیستم برای شبیهسازی پردازش بصری در có بصری و مدلسازی مسیرهای در به کار رفته است.
در نهایت، باید به نکتهٔ مهمی در خصوص دسترسی به این فناوری اشاره کرد در حال حاضر بهعنوان یک سرویس (به- ) نیز ارائه میشود که محققان میتوانند از طریق API REST یا SDK به آن دسترسی پیدا کنند و بدون نیاز به خرید سختافزار، از قدرتش استفاده کنند. این مدل، بهویژه برای دانشگاهها و استارتاپهای بیمنبع، گوی ورود به دنیای محاسبات ومورفیک را گشوده است و تسارع نوآوری در حوزهٔ هوش مصنوعی بیولوژیک الهامگرفته را تضمین میکند.
