Une étude met en évidence le potentiel des architectures neuromorphiques pour effectuer des calculs de marche aléatoire

Une étude met en évidence le potentiel des architectures neuromorphiques pour effectuer des calculs de marche aléatoire

Simulations de particules sur matériel neuromorphique. Crédit : Darby Smith et al.

Au cours de la dernière décennie, de nombreux chercheurs du monde entier ont tenté de développer des systèmes informatiques inspirés du cerveau, également connus sous le nom d’outils informatiques neuromorphiques. La majorité de ces systèmes sont actuellement utilisés pour exécuter des algorithmes d’apprentissage en profondeur et d’autres outils d’intelligence artificielle (IA).

Des chercheurs des Sandia National Laboratories ont récemment mené une étude évaluant le potentiel des architectures neuromorphiques pour effectuer un autre type de calculs, à savoir des calculs de marche aléatoire. Ce sont des calculs qui impliquent une succession d’étapes aléatoires dans l’espace mathématique. Les conclusions de l’équipe, publiées dans Électronique naturellesuggèrent que les architectures neuromorphiques pourraient être bien adaptées à la mise en œuvre de ces calculs et pourraient ainsi aller au-delà des applications d’apprentissage automatique.

“La plupart des études passées liées à l’informatique neuromorphique se sont concentrées sur des applications cognitives, telles que l’apprentissage en profondeur”, a déclaré James Bradley Aimone, l’un des chercheurs qui a mené l’étude, à TechXplore. “Bien que nous soyons également enthousiasmés par cette direction, nous voulions poser une question différente et complémentaire : l’informatique neuromorphique peut-elle exceller dans des tâches mathématiques complexes que notre cerveau ne peut pas vraiment aborder ?”

La communauté informatique avait jusqu’à présent exclu la possibilité que les systèmes informatiques de type cerveau fonctionnent bien sur des tâches mathématiques complexes. L’étude récente d’Aimone et de ses collègues montre que, contrairement aux attentes, cela pourrait être le cas. Plus précisément, l’équipe a découvert que les puces pourraient également être prometteuses pour simuler des chaînes de Markov à temps discret (c’est-à-dire un modèle physique renommé) à l’aide de calculs de marche aléatoire.

“Nous avons essentiellement reconnu que le cerveau (et donc l’informatique neuromorphique) a un type d’architecture informatique parallèle différent de celui des ordinateurs conventionnels”, a expliqué Aimone. “Lorsque nous avons examiné les nombreux types de problèmes de calcul scientifique, nous avons reconnu que les marches aléatoires de Monte Carlo sont une classe particulière de problèmes qui pourraient naturellement s’adapter aux architectures neuromorphiques, si nous étions intelligents pour recadrer les mathématiques de marche aléatoire pour s’adapter à ces plates-formes.”

L’équipe derrière l’étude récente comprenait des mathématiciens, des ingénieurs informaticiens et Aimone, qui est un neuroscientifique théorique. En combinant leur expertise, les chercheurs ont pu examiner les simulations de Monte Carlo, qui jusqu’à présent ont été principalement mises en œuvre à l’aide d’outils informatiques conventionnels, dans le contexte de l’informatique neuromorphique. Cela leur a permis de démontrer le potentiel des architectures neuromorphiques pour accomplir une tâche mathématique complexe renommée qui pourrait avoir un « avantage neuromorphique ».

Aimone et ses collègues ont montré que le matériel neuromorphique est plus économe en énergie que les autres systèmes, car il peut effectuer plus de calculs de marche aléatoire par Joule que les CPU et GPU conventionnels. De plus, alors que les puces neuromorphiques sont encore plus lentes que les CPU et GPU existants, l’équipe a constaté que cette différence de vitesse diminue à mesure que les problèmes deviennent plus gros et plus complexes.

“Étant donné que le matériel neuromorphique continue de s’améliorer à un rythme rapide et que des systèmes plus grands seront bientôt disponibles, nous prévoyons que cet avantage continuera de croître pour des problèmes plus importants”, a déclaré Aimone. “Il existe de nombreuses applications du monde réel qui utilisent des modèles de marche aléatoire de Monte Carlo dans le cadre de leur charge de travail informatique, y compris la biologie computationnelle, la science des matériaux, la modélisation financière et l’intelligence artificielle. Cependant, ces modèles sont souvent coûteux en calcul, ce qui a une énergie énorme. , le temps et les coûts financiers.”

Le matériel neuromorphique en est encore à ses premiers stades de développement, mais il est appelé à devenir progressivement facilement disponible et plus facile à programmer. Une fois que cela se produira, l’étude récente de cette équipe de chercheurs pourrait inspirer l’utilisation de systèmes inspirés par le cerveau pour résoudre plus efficacement des problèmes mathématiques.

“Nous espérons que nos découvertes permettront d’effectuer des tâches de calcul de marche aléatoire beaucoup moins chères et plus économes en énergie qu’elles ne le sont actuellement”, a déclaré Aimone. “Cela rendra l’informatique à la fois moins chère et plus respectueuse du climat.”

L’étude récente d’Aimone et de ses collègues s’est principalement concentrée sur des simulations de marche aléatoire simples, telles que celles représentant le processus de diffusion. À l’avenir, cependant, l’équipe aimerait également tester le potentiel des puces neuromorphiques pour exécuter des simulations de marche aléatoire plus complexes.

“Nous émettons l’hypothèse que l’avantage que nous voyons avec l’informatique neuromorphique deviendra encore plus prononcé avec des marches aléatoires plus compliquées, mais nous devons explorer comment simuler une physique plus complexe avec des neurones”, a ajouté Aimone. “De plus, maintenant que nous reconnaissons que le matériel neuromorphique est bien adapté aux applications informatiques probabilistes, telles que les marches aléatoires de Monte Carlo, nous examinons où le cerveau peut utiliser l’informatique probabiliste dans son architecture native pour des idées potentielles sur de nouveaux algorithmes pour intelligence artificielle inspirée par le cerveau.”


Les simulations neuromorphiques peuvent apporter des avantages informatiques pertinents pour de nombreuses applications


Plus d’information:
Avantages de la mise à l’échelle neuromorphique pour les calculs de marche aléatoire économes en énergie. Électronique naturelle(2022). DOI : 10.1038 / s41928-021-00705-7.

© 2022 Réseau Science X

Citation: Une étude met en évidence le potentiel des architectures neuromorphiques pour effectuer des calculs de marche aléatoire (14 mars 2022) récupéré le 14 mars 2022 sur https://techxplore.com/news/2022-03-highlights-potential-neuromorphic-architectures-random.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.