Air Force tester IBMs hjerne-inspirerede chip som en Aerial Tank Spotter

Satellitter, fly og et voksende antal droner – det amerikanske luftvåben har en masse elektroniske øjne på himlen. Nu undersøger det, om hjerne-inspirerede computerchips kan give disse systemer smarte til at gøre ting som automatisk at identificere køretøjer såsom kampvogne eller antiluftskytssystemer.

Air Force Research Lab (AFRL) rapporterer gode resultater fra at bruge en neuromorf chip lavet af IBM til at identificere militære og civile køretøjer i radargenererede luftbilleder. Den utraditionelle chip fik arbejdet udført omtrent lige så præcist som en almindelig høj-powered computer, der brugte mindre end en 20. af energien.



AFRL tildelte IBM en kontrakt værd $550.000 i 2014 for at blive den første betalende kunde af sin hjerne-inspirerede TrueNorth-chip. Den behandler data ved hjælp af et netværk af en million elementer designet til at efterligne neuronerne i en pattedyrs hjerne, forbundet med 256 millioner synapser.

Sådanne chips er meget forskellige fra dem i eksisterende computere, og for nogle problemer burde de være meget mere strømeffektive (se Thinking In Silicon). Flyvevåbnet er interesseret, fordi det måske gør det muligt at indsætte avanceret maskinsyn, som normalt kræver meget computerkraft, på steder, hvor ressourcer og plads er begrænsede. Satellitter, fly i høj højde, luftbaser, der er afhængige af generatorer, og små droner kan alle være til gavn, siger AFRLs ledende elektronikingeniør Qing Wu. Luftvåbnets missionsdomæner er luft, rum og cyberspace. [Alle er] meget følsomme over for magtbegrænsninger, siger han.

Wu har iscenesat konkurrencer mellem TrueNorth og en kraftfuld Nvidia-computer kaldet Jetson TX-1, som koster omkring $500 og er designet til at gøre det nemmere at implementere kraftfuld maskinlæringsteknologi ombord på maskiner såsom biler eller mobile robotter.

De konkurrerende computere brugte forskellige implementeringer af neuralt netværksbaseret billedbehandlingssoftware til at prøve at skelne 10 klasser af militære og civile køretøjer repræsenteret i en offentligt datasæt kaldet MSTAR . Eksempler omfattede russiske T-72 kampvogne, pansrede mandskabsvogne og bulldozere. Begge systemer opnåede omkring 95 procents nøjagtighed, men IBM-chippen brugte mellem en 20. og en 30. så meget strøm.

IBMs chip burde have en effektivitetsfordel ved sådanne opgaver. Den konventionelle computer kørte sin neurale netværkssoftware på chips med hardware, der kunne betragtes som generelle formål, beregnet til at løse enhver form for problem. TrueNorth-chippens hardware er hårdkodet til at repræsentere kunstige neurale netværk, med en million fysiske neuroner tilpasset opgaven.

En grund til, at arkitektur giver bedre effektivitet, er, at chippens neuroner og synapser både lagrer og opererer på data, siger Wu. I et konventionelt system som dem på Jetson TX-1 er de komponenter, der udfører beregninger, adskilt fra hukommelsen. Det betyder, at data skal overføres fra hukommelsen til processoren for at blive analyseret og derefter tilbage til hukommelsen for at blive lagret, hvilket bruger tid og energi.

Massimiliano Versace, som leder Boston University Neuromorphics Lab og arbejdede på en anden del af Pentagon-kontrakten, der finansierede IBMs arbejde på TrueNorth, siger, at resultaterne er lovende. Men han bemærker, at IBMs chip i øjeblikket kommer med afvejninger.

Det er meget nemmere at implementere neurale netværk på konventionelle computere, takket være software, der er tilgængeligt af Nvidia, Google og andre. Og IBMs usædvanlige chip er meget dyrere. Brugervenlighed og pris er [de] to hovedfaktorer, der ror mod specialiserede neuromorfe chips, siger Versace.

Wu siger, at hardwaren burde blive meget billigere, hvis IBM er i stand til at tiltrække tilstrækkelig interesse til at øge produktionen. Virksomheden siger, at det arbejder på at gøre softwareudvikling til platformen nemmere.

skjule