Neuromorfní počítání je pokus změnit samotný základ toho, jak fungují počítače. Místo klasického modelu, kde procesor a paměť existují odděleně, se inspiruje biologickým mozkem, kde jsou výpočet i paměť propojené. Intel na tom staví výzkumné čipy Loihi, které používají pulzní neuronové sítě a komunikují pomocí diskrétních „spiků“ místo klasických instrukcí.
Za projektem stojí Intel Labs a širší výzkumná komunita Intel Neuromorphic Research Community, která zahrnuje desítky akademických i průmyslových týmů. Cílem není jen vytvořit nový typ čipu, ale najít architekturu, která zvládne zpracovávat informace podobně efektivně jako mozek, který pracuje s příkonem kolem desítek wattů.
“For the first time, we are seeing a quantitative picture emerge that validates this promise.”
Hlavní rozdíl oproti dnešní AI je v tom, jak systém pracuje s daty. Tradiční deep learning spoléhá na synchronní výpočty a velké dávky dat, zatímco neuromorfní systémy fungují asynchronně a reagují jen na změny. Neurony „spí“, pokud nemají co zpracovávat, což výrazně snižuje spotřebu energie. Výsledkem je architektura vhodná pro scénáře s omezeným výkonem a latencí, jako jsou robotika nebo edge zařízení.
Loihi 2 posouvá tento koncept dál. Oproti první generaci přináší až 10× vyšší výkon v některých operacích a výrazně vyšší efektivitu. Čip obsahuje až 128 neuromorfních jader a dokáže simulovat až jeden milion neuronů na jediném čipu. Každé jádro má vlastní paměť i výpočetní logiku, takže se eliminuje potřeba přesouvat data mezi oddělenými komponentami.
Zásadní změnou je programovatelnost neuronů. Na rozdíl od předchozí generace, která podporovala omezené modely, Loihi 2 umožňuje definovat chování neuronů pomocí mikroinstrukcí. To znamená, že lze implementovat širší spektrum neuronových modelů bez ztráty výkonu. Navíc nové „graded spikes“ umožňují přenášet nejen binární signály, ale i hodnoty, což zvyšuje přesnost výpočtů.
Velký důraz je kladen na efektivitu. V praktických testech Loihi často běží s příkonem pod 1 watt, zatímco klasické CPU nebo GPU řešení spotřebovávají desítky až stovky wattů. Zároveň dokáže reagovat v reálném čase a průběžně se učit ze vstupních dat, což je kombinace, kterou běžné architektury zvládají jen obtížně.
Architektura čipu ukazuje síť neuronových jader propojených interní mesh sítí, kde komunikace probíhá výhradně pomocí spike zpráv. Každé jádro obsahuje neurony i synapse, čímž se realizuje princip in-memory computing. Vedle toho jsou na čipu i klasická procesorová jádra, která řeší I/O operace a správu systému.
Zajímavou částí neuromorfního hardwaru obecně je využití memristorů, tedy paměťových rezistorů, jejichž odpor závisí na historii proudu. V praxi to znamená, že jeden fyzický prvek zároveň uchovává hodnotu i provádí výpočet. V neuromorfních strukturách se memristory používají jako synapse mezi neurony, kde jejich vodivost reprezentuje váhu spojení. Signál se propaguje ve formě elektrických impulzů a změna odporu přímo ovlivňuje, jak silně se tento impuls přenese dál.
Trénování těchto struktur vychází z principů jako Spike Timing Dependent Plasticity (STDP), kde se váhy mění podle časování impulzů mezi neurony. Pokud jeden neuron aktivuje druhý v krátkém časovém okně, odpor memristoru se sníží a spojení zesílí, opačný případ vede k oslabení. Díky tomu probíhá učení lokálně přímo v hardwaru bez potřeby globální optimalizace, což eliminuje nutnost přesouvat data mezi pamětí a procesorem.
Ekosystém doplňuje open-source framework Lava, který umožňuje vyvíjet neuromorfní aplikace napříč hardwarem. Podporuje jak simulaci na CPU/GPU, tak nasazení na Loihi 2, a využívá event-driven komunikaci mezi jednotlivými procesy. To je zásadní krok, protože jedním z hlavních problémů neuromorfního počítání je absence standardního softwarového stacku.
Neuromorfní přístup zatím není kompatibilní s běžnými AI frameworky a vyžaduje jiné algoritmy i způsob přemýšlení. Přesto už dnes nachází využití v úlohách jako řízení robotů, rozpoznávání vzorů nebo optimalizační problémy, kde kombinuje nízkou spotřebu, rychlou odezvu a schopnost adaptace na nové vstupy.
Zdroje:
