Παρά το όνομά τους, τα νευρωνικά δίκτυα σχετίζονται μόνο με τα είδη των πραγμάτων που θα βρείτε σε έναν εγκέφαλο. Ενώ η οργάνωσή τους και ο τρόπος με τον οποίο μεταφέρουν δεδομένα μέσω επιπέδων επεξεργασίας ενδέχεται να έχουν κοινές ομοιότητες με δίκτυα πραγματικών νευρώνων, τα δεδομένα και οι υπολογισμοί που γίνονται σε αυτό θα φαίνονται πολύ οικεία σε μια τυπική CPU.
Αλλά τα νευρωνικά δίκτυα δεν είναι ο μόνος τρόπος με τον οποίο οι άνθρωποι προσπάθησαν να πάρουν μαθήματα από το νευρικό σύστημα. Υπάρχει ένας ξεχωριστός κλάδος που ονομάζεται νευρομορφικός υπολογισμός που βασίζεται στην προσέγγιση της συμπεριφοράς μεμονωμένων νευρώνων στο υλικό. Στο νευρομορφικό υλικό, οι υπολογισμοί εκτελούνται από πολλές μικρές μονάδες που επικοινωνούν μεταξύ τους μέσω εκρήξεων δραστηριότητας που ονομάζονται αιχμές και προσαρμόζουν τη συμπεριφορά τους με βάση τις αιχμές που λαμβάνουν από άλλους.
Την Πέμπτη, η Intel κυκλοφόρησε τη νεότερη επανάληψη του νευρομορφικού υλικού της, που ονομάζεται Loihi. Η νέα έκδοση έρχεται με τα είδη των πραγμάτων που θα περιμένατε από την Intel: έναν καλύτερο επεξεργαστή και κάποιες βασικές υπολογιστικές βελτιώσεις. Έρχεται επίσης με κάποιες θεμελιώδεις αλλαγές υλικού που θα του επιτρέψουν να εκτελέσει εντελώς νέες κατηγορίες αλγορίθμων. Και ενώ το Loihi παραμένει προς το παρόν ένα προϊόν εστιασμένο στην έρευνα, η Intel κυκλοφορεί επίσης έναν μεταγλωττιστή που ελπίζει ότι θα οδηγήσει σε ευρύτερη υιοθέτηση.
Για να βγάλουμε νόημα από το Loihi και τι νέο υπάρχει σε αυτήν την έκδοση, ας δημιουργήσουμε αντίγραφα ασφαλείας και να ξεκινήσουμε κοιτάζοντας λίγο τη νευροβιολογία και στη συνέχεια να δημιουργήσουμε από εκεί.
Από τους νευρώνες στον υπολογισμό
Η βάση του νευρικού συστήματος είναι ο τύπος κυττάρου που ονομάζεται νευρώνας. Όλοι οι νευρώνες μοιράζονται μερικά κοινά λειτουργικά χαρακτηριστικά. Στο ένα άκρο του κυττάρου υπάρχουν δομές που ονομάζονται δενδρίτες, τις οποίες μπορείτε να σκεφτείτε ως δέκτες. Αυτό είναι όπου ο νευρώνας λαμβάνει εισροές από άλλα κύτταρα. Τα νευρικά κύτταρα έχουν επίσης έναν άξονα, ο οποίος λειτουργεί ως πομπός, που συνδέεται με άλλα κύτταρα για να περάσει τα σήματα.
Τα σήματα έχουν τη μορφή αυτών που ονομάζονται "αιχμές", οι οποίες είναι σύντομες αλλαγές στην τάση στην κυτταρική μεμβράνη του νευρώνα. Οι αιχμές ταξιδεύουν κάτω από τους νευράξονες μέχρι να φτάσουν στις διασταυρώσεις με άλλα κύτταρα (που ονομάζονται συνάψεις), οπότε μετατρέπονται σε χημικό σήμα που ταξιδεύει στον κοντινό δενδρίτη. Αυτό το χημικό σήμα ανοίγει κανάλια που επιτρέπουν στα ιόντα να ρέουν στο κύτταρο, ξεκινώντας μια νέα αιχμή στο κύτταρο υποδοχής.
Το κύτταρο λήψης ενσωματώνει μια ποικιλία πληροφοριών - πόσες αιχμές έχει δει, αν κάποιοι νευρώνες σηματοδοτούν ότι πρέπει να είναι ήσυχο, πόσο ενεργός ήταν στο παρελθόν κ.λπ. - και τις χρησιμοποιεί για να καθορίσει τη δική του κατάσταση δραστηριότητας. Μόλις ξεπεραστεί ένα όριο, θα ενεργοποιήσει μια ακίδα προς τα κάτω στους δικούς του άξονες και θα ενεργοποιήσει πιθανώς δραστηριότητα σε άλλα κύτταρα.
Τυπικά, αυτό οδηγεί σε σποραδικές, τυχαία απομακρυσμένες αιχμές δραστηριότητας όταν ο νευρώνας δεν λαμβάνει μεγάλη εισροή. Μόλις αρχίσει να λαμβάνει σήματα, ωστόσο, θα μεταβεί σε ενεργή κατάσταση και θα πυροδοτήσει μια δέσμη αιχμών σε γρήγορη διαδοχή.
Πώς αυτή η διαδικασία κωδικοποιεί και χειρίζεται πληροφορίες; Αυτή είναι μια ενδιαφέρουσα και σημαντική ερώτηση, και μόλις τώρα αρχίζουμε να απαντάμε.
Ένας από τους τρόπους για να απαντήσουμε ήταν μέσω της λεγόμενης θεωρητικής νευροβιολογίας (ή υπολογιστικής νευροβιολογίας). Αυτό περιλαμβάνει προσπάθειες για τη δημιουργία μαθηματικών μοντέλων που αντικατοπτρίζουν τη συμπεριφορά των νευρικών συστημάτων και των νευρώνων με την ελπίδα ότι αυτό θα μας επιτρέψει να εντοπίσουμε κάποιες βασικές αρχές. Τα νευρωνικά δίκτυα, που επικεντρώθηκαν στις οργανωτικές αρχές του νευρικού συστήματος, ήταν μία από τις προσπάθειες που προέκυψαν από αυτόν τον τομέα. Η αύξηση των νευρωνικών δικτύων, που προσπαθούν να δημιουργηθούν από τη συμπεριφορά μεμονωμένων νευρώνων, είναι άλλη.
Τα νευρωνικά δίκτυα μπορούν να εφαρμοστούν σε λογισμικό σε παραδοσιακούς επεξεργαστές. Αλλά είναι επίσης δυνατό να τα εφαρμόσετε μέσω υλικού, όπως κάνει η Intel με το Loihi. Το αποτέλεσμα είναι ένας επεξεργαστής που μοιάζει πολύ με οτιδήποτε είναι πιθανό να είστε εξοικειωμένοι.
Αύξηση σε πυρίτιο
Το τσιπ Loihi προηγούμενης γενιάς περιέχει 128 μεμονωμένους πυρήνες συνδεδεμένους με ένα δίκτυο επικοινωνίας. Κάθε ένας από αυτούς τους πυρήνες έχει μεγάλο αριθμό μεμονωμένων "νευρώνων" ή μονάδων εκτέλεσης. Κάθε ένας από αυτούς τους νευρώνες μπορεί να λάβει είσοδο με τη μορφή αιχμών από οποιονδήποτε άλλο νευρώνα - έναν γείτονα στον ίδιο πυρήνα, μια μονάδα σε διαφορετικό πυρήνα στο ίδιο τσιπ ή από ένα άλλο τσιπ εντελώς. Ο νευρώνας ενσωματώνει τις αιχμές που λαμβάνει με την πάροδο του χρόνου και, με βάση τη συμπεριφορά που έχει προγραμματιστεί, το χρησιμοποιεί για να καθορίσει πότε θα στείλει αιχμές σε δικούς του νευρώνες με τους οποίους συνδέεται.
Όλη η σηματοδότηση αιχμής συμβαίνει ασύγχρονα. Σε καθορισμένα χρονικά διαστήματα, οι ενσωματωμένοι πυρήνες x86 στο ίδιο τσιπ αναγκάζουν έναν συγχρονισμό. Σε εκείνο το σημείο, ο νευρώνας θα ξανακάνει τα βάρη των διαφόρων συνδέσεών του - ουσιαστικά, πόση προσοχή πρέπει να δοθεί σε όλους τους μεμονωμένους νευρώνες που στέλνουν σήματα σε αυτόν.
Από την άποψη ενός πραγματικού νευρώνα, μέρος της μονάδας εκτέλεσης στο τσιπ λειτουργεί ως δενδρίτης, επεξεργάζοντας τα εισερχόμενα σήματα από το δίκτυο επικοινωνίας βασισμένα εν μέρει στο βάρος που προέρχεται από την προηγούμενη συμπεριφορά. Στη συνέχεια χρησιμοποιήθηκε ένας μαθηματικός τύπος για να προσδιοριστεί πότε η δραστηριότητα έχει ξεπεράσει ένα κρίσιμο όριο και να ενεργοποιήσει τις δικές της αιχμές όταν το κάνει. Ο "άξονας" της μονάδας εκτέλεσης αναζητά στη συνέχεια με ποιες άλλες μονάδες εκτέλεσης επικοινωνεί και στέλνει μια ακίδα σε κάθε μία.
Στην προηγούμενη επανάληψη του Loihi , μια ακίδα μετέφερε απλώς ένα κομμάτι πληροφοριών. Ένας νευρώνας καταχωρήθηκε μόνο όταν έλαβε έναν.
Σε αντίθεση με έναν κανονικό επεξεργαστή, δεν υπάρχει εξωτερική μνήμη RAM. Αντ 'αυτού, κάθε νευρώνας έχει μια μικρή κρυφή μνήμη αφιερωμένη στη χρήση του. Αυτό περιλαμβάνει τα βάρη που αποδίδει στις εισροές από διαφορετικούς νευρώνες, μια κρυφή μνήμη πρόσφατης δραστηριότητας και μια λίστα με όλους τους άλλους νευρώνες στους οποίους αποστέλλονται αιχμές.
Μια από τις άλλες μεγάλες διαφορές μεταξύ των νευρομορφικών τσιπ και των παραδοσιακών επεξεργαστών είναι η ενεργειακή απόδοση, όπου τα νευρομορφικά τσιπ βγαίνουν πολύ μπροστά. Η IBM, η οποία παρουσίασε το τσιπ TrueNorth το 2014, μπόρεσε να αποκομίσει χρήσιμες εργασίες ακόμη και αν είχε ρυθμιστεί σε ένα χαλαρό κιλό Hertz, και χρησιμοποιούσε λιγότερο από το .0001 τοις εκατό της ισχύος που θα απαιτούνταν για να μιμηθεί ένα νευρωνικό δίκτυο στους παραδοσιακούς επεξεργαστές. Ο Mike Davies, διευθυντής του εργαστηρίου Neuromorphic Computing της Intel, δήλωσε ότι ο Loihi μπορεί να νικήσει τους παραδοσιακούς επεξεργαστές με συντελεστή 2.000 σε συγκεκριμένους φόρτους εργασίας. "Βρίσκουμε τακτικά 100 φορές [λιγότερη ενέργεια] για SLAM και άλλους ρομποτικούς φόρτους εργασίας", πρόσθεσε.
Τι νέο υπάρχει στη νευρομορφική
Θα επανέλθουμε στο πώς οι ασύγχρονες ηλεκτρονικές αιχμές μπορούν πραγματικά να λύσουν χρήσιμα προβλήματα σε λίγο. Αρχικά, θα ρίξουμε μια ματιά στο τι έχει αλλάξει μεταξύ του Loihi (τον οποίο θα ονομάσουμε "τον αρχικό επεξεργαστή" για λόγους σαφήνειας) και του Loihi 2. Η διαφορά είναι κατατοπιστική, επειδή η Intel είχε υλικό στα χέρια της ερευνητικής κοινότητας για μερικά χρόνια και η εταιρεία μπόρεσε να ενσωματώσει τα σχόλιά τους στις αποφάσεις σχεδιασμού. Έτσι, οι διαφορές μεταξύ των δύο, εν μέρει, αντικατοπτρίζουν αυτό που έχουν βρει οι άνθρωποι που χρησιμοποιούν πραγματικά νευρομορφικούς επεξεργαστές.
Μερικές από τις αλλαγές είναι τα προφανή πράγματα που θα περιμένατε στη μετάβαση μεταξύ δύο γενεών τσιπ. Η Intel χρησιμοποιεί μια πιο ενημερωμένη διαδικασία κατασκευής και μπορεί τώρα να χωρέσει κάθε πυρήνα στο περίπου μισό χώρο που απαιτείται στον αρχικό επεξεργαστή. Αντί να είναι σε θέση να επικοινωνήσει με ξεχωριστά τσιπ μέσω ενός δισδιάστατου πλέγματος συνδέσεων, το Loihi 2 μπορεί να το κάνει σε τρεις διαστάσεις, επιτρέποντας σε μια στοίβα σανίδων επεξεργασίας να αυξήσει σημαντικά τον συνολικό αριθμό νευρώνων. Ο αριθμός των ενσωματωμένων επεξεργαστών ανά τσιπ, οι οποίοι βοηθούν στο συντονισμό όλης της δραστηριότητας, έχει αυξηθεί από τρεις σε έξι και υπάρχουν οκτώ φορές περισσότεροι νευρώνες ανά τσιπ.
[
Υπάρχουν όμως και κάποιες διαφορές που αφορούν τις ανάγκες του Loihi. Η Intel λέει ότι έχει περάσει και βελτιστοποιήσει όλο το ασύγχρονο υλικό, δίνοντας στο Loihi 2 διπλή απόδοση κατά την ενημέρωση της κατάστασης ενός νευρώνα και ενισχύοντας την απόδοση της γενιάς αιχμής δέκα φορές.
Άλλες αλλαγές αφορούν πολύ τα νευρικά δίκτυα. Οι αιχμές του αρχικού επεξεργαστή, όπως αναφέρθηκε παραπάνω, έφεραν μόνο ένα κομμάτι πληροφοριών. Στο Loihi 2, μια ακίδα είναι ένας ακέραιος αριθμός, επιτρέποντάς του να μεταφέρει πολύ περισσότερες πληροφορίες και να επηρεάσει τον τρόπο με τον οποίο ο δέκτης νευρώνας στέλνει αιχμές. (Αυτή είναι μια περίπτωση όπου το Loihi 2 μπορεί να μοιάζει κάπως λιγότερο με τους νευρώνες που μιμείται για να εκτελέσει καλύτερα τους υπολογισμούς.)
Μια άλλη σημαντική αλλαγή είναι στο μέρος του επεξεργαστή που αξιολογεί την κατάσταση του νευρώνα προκειμένου να καθορίσει αν θα στείλει μια ακίδα. Στον αρχικό επεξεργαστή, οι χρήστες θα μπορούσαν να εκτελέσουν ένα απλό μαθηματικό για να κάνουν αυτόν τον προσδιορισμό. Στο Loihi 2, έχουν τώρα πρόσβαση σε έναν απλοποιημένο προγραμματιζόμενο αγωγό, επιτρέποντάς τους να κάνουν συγκρίσεις και να ελέγχουν τη ροή των οδηγιών. Ο Davies της Intel είπε στο Ars ότι μπορείτε να καθορίσετε αυτά τα προγράμματα σε επίπεδο ανά νευρώνα, πράγμα που σημαίνει ότι δύο γειτονικοί νευρώνες θα μπορούσαν να τρέχουν εντελώς διαφορετικό λογισμικό.
Ο Davies είπε επίσης ότι ο τρόπος που κάθε νευρώνας χειρίζεται την εσωτερική του μνήμη είναι πιο ευέλικτος. Αντί για συγκεκριμένες πτυχές - όπως η λίστα των αιχμών των νευρώνων - με σταθερή κατανομή, υπάρχει μια δεξαμενή μνήμης που μπορεί να χωριστεί πιο δυναμικά.
Αυτές οι αλλαγές κάνουν πολύ περισσότερα από το να αφήσουν το Loihi 2 να εκτελέσει τους υπάρχοντες αλγόριθμους πιο αποτελεσματικά. Στην πραγματικότητα άφησαν το τσιπ να εκτελέσει αλγόριθμους που δεν ήταν κατάλληλοι για τον αρχικό επεξεργαστή.
Και αυτό μας επαναφέρει στο ερώτημα πώς ο νευρομορφικός υπολογισμός κάνει τα πάντα.
Από αιχμές έως λύσεις
Πώς επιλύετε πραγματικά προβλήματα χρησιμοποιώντας κάτι σαν τσιπ Loihi; Μπορείτε να κάνετε κάποιους παραλληλισμούς με τον κβαντικό υπολογισμό. Εκεί, το πρόβλημα που θέλετε να λύσετε μετατρέπεται σε συνδυασμό του τρόπου διαμόρφωσης ενός συνόλου qubits και των χειρισμών που εκτελείτε σε αυτά. Οι κανόνες του συστήματος - η φυσική, στην περίπτωση του κβαντικού υπολογισμού - καθορίζουν τότε την τελική κατάσταση του συστήματος. Αυτή η τελική κατάσταση μπορεί στη συνέχεια να διαβαστεί και να μεταφραστεί σε λύση.
Για τους νευρομορφικούς υπολογιστές, το πρόβλημα δημιουργείται με τη διαμόρφωση των αξόνων, οι οποίοι καθορίζουν τους νευρώνες που σηματοδοτούν τους στόχους, καθώς και τον κώδικα που καθορίζει πότε ένας νευρώνας στέλνει αιχμές. Από εκεί, οι κανόνες του συστήματος καθορίζουν τον τρόπο με τον οποίο εξελίσσεται η συμπεριφορά αιχμής, είτε από την αρχική κατάσταση είτε ως απάντηση σε περαιτέρω εισαγωγή. Η λύση μπορεί στη συνέχεια να διαβαστεί εξετάζοντας τη συμπεριφορά αιχμής διαφορετικών νευρώνων. "Ο υπολογισμός προκύπτει από τις αλληλεπιδράσεις των νευρώνων", όπως το έθεσε ο Davies.
Η Intel έδωσε ένα συγκεκριμένο παράδειγμα σε ένα έγγραφο που δημοσίευσε το 2018. Το παράδειγμα του προβλήματος που χρησιμοποίησε είναι η εύρεση μιας σειράς χαρακτηριστικών που μπορούν να χρησιμοποιηθούν για την προσέγγιση του περιεχομένου μιας εικόνας, με τον ίδιο τρόπο που μπορεί να προσεγγίσει μια σειρά κύκλων το κεφάλι του Μίκυ Μάους. Αυτό μπορεί να γίνει στο Loihi, αναθέτοντας σε κάθε νευρώνα ένα χαρακτηριστικό που αντιπροσωπεύει και στη συνέχεια επηρεάζοντας τη δραστηριότητά του από το αν αναγνωρίζει αυτό το χαρακτηριστικό σε μια εικόνα. Καθώς τα πράγματα εξελίσσονται, οι νευρώνες σηματοδοτούν ο ένας τον άλλον με τρόπο που μειώνει τη δραστηριότητα οτιδήποτε δεν αναγνωρίζει ένα χαρακτηριστικό.
Το τελικό αποτέλεσμα αυτού του διαγωνισμού είναι ότι οι νευρώνες που αντιπροσωπεύουν χαρακτηριστικά που υπάρχουν στην εικόνα θα αυξάνονται ενεργά, ενώ εκείνοι που δεν είναι σχετικά ήσυχοι. Αυτό μπορεί να διαβαστεί ως λίστα χαρακτηριστικών και η διαδικασία ξεκίνησε ξανά, τροφοδοτώντας το σύστημα με μια νέα εικόνα. Ενώ μπορεί να είναι πιο γρήγορο να επαναφέρετε ολόκληρο τον επεξεργαστή στην αρχική του κατάσταση πριν εμφανίσετε μια δεύτερη εικόνα, δεν θα είναι απαραίτητο - το σύστημα είναι δυναμικό, οπότε η αλλαγή της εισόδου θα σημαίνει αλλαγή της συμπεριφοράς αιχμής, επιτρέποντας σε έναν νέο πληθυσμό νευρώνων να σταδιακά επιβεβαιώνεται.
Μάθηση εν κινήσει και πολλά άλλα
Αυτή η δυναμική συμπεριφορά κάνει μια αντίθεση με τα εκπαιδευμένα νευρωνικά δίκτυα, τα οποία είναι πολύ καλά στο να αναγνωρίζουν αυτό που έχουν εκπαιδευτεί αλλά δεν είναι αρκετά ευέλικτα για να αναγνωρίσουν κάτι στο οποίο δεν εκπαιδεύτηκαν. Ο Ντέιβις περιέγραψε τη δουλειά που έχουν κάνει με τη Λόιχι για την αναγνώριση χειρονομιών με βάση την είσοδο βίντεο. Είπε ότι είναι δυνατόν να γίνει το σύστημα να αναγνωρίσει νέες χειρονομίες, εκπαιδεύοντάς το εν κινήσει χωρίς να μεταβάλλει την ικανότητά του να αναγνωρίζει χειρονομίες στις οποίες είχε εκπαιδευτεί προηγουμένως. (Αυτή η εκπαίδευση δεν θα συνδέσει τη χειρονομία με μια συγκεκριμένη ενέργεια · το σύστημα Loihi απλώς κάνει την αναγνώριση και βασίζεται σε άλλο υλικό για να προβεί σε ενέργειες βάσει αυτής της αναγνώρισης.)
Ο Davies λέει ότι αυτού του είδους οι ικανότητες έχουν πολλές πιθανές εφαρμογές στη ρομποτική. Τα κινητά ρομπότ πρέπει να είναι αρκετά ευέλικτα ώστε να αναγνωρίζουν και να προσαρμόζονται στις νέες συνθήκες όταν βρεθούν αντιμέτωποι με ένα νέο περιβάλλον. Και κάθε ρομπότ θα δει τη συμπεριφορά του να αλλάζει καθώς τα μέρη του φθείρονται ή λερώνονται, πράγμα που σημαίνει ότι τα συστήματα ελέγχου τους πρέπει να προσαρμοστούν στις νέες παραμέτρους απόδοσης.
Αυτά είναι τα είδη των πραγμάτων που σχετίζονται παραδοσιακά με τα συστήματα τεχνητής νοημοσύνης (είτε περιλαμβάνουν νευρώνες είτε όχι). Αλλά ο Davies είπε επίσης ότι υπάρχουν μερικές πολύ διαφορετικές περιπτώσεις χρήσης όπου τα συστήματα spiking έχουν επίσης καλή απόδοση. Μία που ανέφερε ήταν οι τετραγωνικές βελτιστοποιήσεις, οι οποίες βοηθούν σε πράγματα όπως η διαχείριση σύνθετων περιορισμών προγραμματισμού (σκεφτείτε ένα πανελλαδικό σιδηροδρομικό σύστημα).
Αυτά μπορούν να λυθούν χρησιμοποιώντας παραδοσιακούς υπολογιστές, αλλά οι πόροι επεξεργασίας αυξάνονται γρήγορα με τον αριθμό των περιορισμών. Ο Loihi έχει δείξει πολλά υποσχόμενα αποτελέσματα στην εύρεση βελτιστοποιημένων λύσεων με ένα κλάσμα των υπολογιστικών πόρων και ο Davies είπε ότι είναι αρκετά ευέλικτο ώστε να μπορεί να διαμορφωθεί είτε για να βρει τη βέλτιστη λύση είτε για να βρει πιο γρήγορα μια λύση που βρίσκεται στο 1 % της καλύτερης.
(Είναι ενδιαφέρον ότι πρόκειται για τους ίδιους τύπους προβλημάτων που λειτουργούν καλά στο υλικό κβαντικής ανόπτησης της D-Wave . Ο Davies είπε ότι ο Los Alamos ετοίμαζε ένα χαρτί που συγκρίνει τα δύο.)
Αναμονή για το λογισμικό
Ενώ τα νευρωνικά δίκτυα μπορούν να είναι πολύ αποτελεσματικά για την επίλυση τέτοιου είδους προβλημάτων, η πρόκληση ήταν συχνά να βρεθούν άνθρωποι που καταλαβαίνουν πώς να τα χρησιμοποιήσουν. Είναι ένας πολύ διαφορετικός τύπος προγραμματισμού και απαιτεί εξίσου διαφορετικό τρόπο σκέψης για την ανάπτυξη αλγορίθμων. Ο Ντέιβις είπε ότι οι περισσότεροι άνθρωποι που είναι σήμερα έμπειροι σε αυτό προέρχονται από θεωρητικό νευροβιολογικό υπόβαθρο (ή εξακολουθούν να βρίσκονται στο πεδίο). Μέχρι στιγμής, αυτό σήμαινε ότι η Intel έχει ωθήσει κυρίως τον Loihi στην ερευνητική κοινότητα, κάτι που έχει περιορίσει την ικανότητά του να πουλά τον επεξεργαστή ευρύτερα.
Μακροπρόθεσμα, η Intel ελπίζει να δει τα παράγωγα του Loihi να καταλήγουν σε ένα ευρύ φάσμα συστημάτων, από το να λειτουργούν ως συνεπεξεργαστές σε ενσωματωμένα συστήματα έως τα μεγάλα συγκροτήματα Loihi στο κέντρο δεδομένων. Για αυτό, ωστόσο, θα πρέπει να είναι εύκολο για τις εταιρείες να βρουν άτομα που μπορούν να προγραμματίσουν για αυτό.
Για το σκοπό αυτό, η Intel συνδυάζει την κυκλοφορία του Loihi 2 με την κυκλοφορία ενός πλαισίου λογισμικού ανοιχτού κώδικα που ονομάζεται Lava. "Το LAVA προορίζεται να βοηθήσει τον νευρομορφικό [προγραμματισμό] να εξαπλωθεί στην ευρύτερη κοινότητα της επιστήμης των υπολογιστών", δήλωσε ο Davies στο Ars. Συνέχισε λέγοντας ότι, στο παρελθόν, η Intel δεν παρείχε αρκετή αφαίρεση από τις εσωτερικές λειτουργίες του Loihi. Εάν θέλετε να εκτελέσετε λογισμικό σε αυτό, έπρεπε να κατανοήσετε λεπτομερώς τα συστήματα spiking. Το LAVA είναι ένας τρόπος να δώσετε στους ανθρώπους τη δυνατότητα να εργάζονται με συστήματα που βασίζονται στο Loihi χωρίς να χρειάζεται να γνωρίζουν τις λεπτομέρειες.
Το LAVA θα πρέπει να είναι προσβάσιμο σήμερα και οι πρώτοι πίνακες Loihi 2 θα είναι διαθέσιμοι στην ερευνητική κοινότητα μέσω μιας υπηρεσίας cloud σύντομα. Ένας πίνακας με ένα μόνο τσιπ διατίθεται για σκοπούς αξιολόγησης και θα ακολουθηθεί από ένα σύστημα οκτώ τσιπ που ονομάζεται Kapoho point αργότερα φέτος.
