Дослідження Розподіленої Інтелектуальності на Краях Мережі

Обмеження звичайного периферійного обчислення

Периферійне обчислення у звичайному вигляді передбачає обробку даних ближче до джерела — датчиків, пристроїв IoT тощо — для зменшення затримки порівняно з передачею всіх даних до центрального сервера. Однак цей підхід все ще ґрунтується на цифрових методах обробки сигналів (DSP), які в своїй основі базуються на булевій логіці та працюють послідовно. Внутрішні обмеження послідовного обчислення, особливо при роботі зі складними потоками даних високої розмірності з багатьох датчиків, призводять до вузьких місць у реальному часі прийнятті рішень. Ці вузькі місця проявляються як затримка — запізнення між стимулом і результатом дії — та підвищене енергоспоживання через накладні витрати цифрової обробки сигналів та передачі.

Розглянемо автомобіль з автопілотом: обробка відеопотоків з камер, даних LiDAR та радарів вимагає величезної обчислювальної потужності. Відправлення всього цього необроблених даних на віддалений сервер для аналізу створює неприйнятні затримки, які можуть поставити під сумнів безпеку. Крім того, постійне спілкування між автомобілем і хмарою споживає значну пропускну здатність та енергію.

Latency = Distance / Speed (where speed is the propagation speed of digital signals – approximately 2 x 10^8 m/s)

Обчислення з використанням нейроморфної архітектури: біологічна натхненність

Обчислення з використанням нейроморфної архітектури прагне подолати ці обмеження, спираючись на структуру та функцію біологічних нейронних мереж. Наприклад, людський мозок працює за допомогою масово паралельної системи взаємопов’язаних нейронів, які спілкуються через електрохімічні сигнали. Ці сигнали є в своїй основі аналоговими та працюють асинхронно, що дозволяє швидко реагувати та ефективно обробляти інформацію. Традиційні цифрові комп’ютери використовують дискретні біти (0 або 1), вимагаючи послідовних операцій і значного споживання енергії для представлення та маніпулювання цією інформацією.

Основний принцип полягає в відтворенні спайкового поведінки нейронів – коротких електричних імпульсів, які передають інформацію. Ці ‘спайки’ обробляються локально в мережі, усуваючи необхідність централізованого передавання даних та складного цифрового оброблення сигналів.

Spike Rate = Frequency of Action Potentials (Hz)

Мемристори: Основні Елементи Нейроморфного Обладнання

Найбільш перспективною реалізацією апаратного забезпечення для нейроморфних систем є використання мемристорів. Мемристори – це пасивні електронні компоненти з двома виводами, які характеризуються опором, який змінюється залежно від історії струму, що через них протікає. Цей ‘пам’ятний’ ефект дозволяє їх імітувати синаптичну пластичність, спостережувану в біологічних нейронах – здатність зміцнювати або послаблювати зв'язки між нейронами на основі досвіду. Зміна опору, ΔR, прямо пропорційна накопиченому заряду (Q), що проходить через пристрій: ΔR = Q/C, де C представляє собою ємність мемристора та залежить від його фізичних розмірів.

Ключова перевага полягає в тому, що один мемрістор може представляти синапс, дозволяючи здійснювати масово паралельні обчислення. Стан кожного мемристора відображає засвоєний шаблон або пам’ять у мережі.

ΔR = Q/C

Обчислення на основі нейроморфних мереж (SNN) та подійний оброблювальний процес

Обчислення на основі нейроморфних мереж (SNN) використовують Spiking Neural Networks (SNN), що є типом штучної нейронної мережі, яка працює на основі принципу спайкових нейронів. На відміну від традиційних Штучних Нейронних Мереж (ANN), SNN обробляють інформацію асинхронно, імітуючи подійний оброблювальний стиль мозку. Замість постійного оновлення ваг на основі кожного вхідного сигналу, SNN оновлюють свої зв’язки лише тоді, коли нейрон «збуджується» – отримує достатню стимуляцію. Це значно зменшує енергоспоживання та покращує швидкість.

Час спайків має вирішальне значення; він кодує інформацію в мережі. Патерни спайкового активування представляють засвоєні концепції або рішення.

Firing Rate = (Sum of Inputs) / Threshold

Застосування в периферійних обчисленнях

Нейроморфні периферійні обчислення особливо добре підходять для застосунків, які потребують реального часу, низьку затримку обробки на краю мережі. Приклади включають: виявлення аномалій у сенсорних мережах (ідентифікація незвичайних патернів, що вказують на несправність обладнання або загрози безпеці), розпізнавання об’єктів у відеопотоках (дозволяючи швидші та ефективніші автономні транспортні засоби) та прогнозоване обслуговування (передбачення потреб обладнання на основі даних датчиків). Здатність обробляти інформацію локально, без постійного звернення до хмари, є ключовою для цих застосунків.

Крім того, нейроморфні системи досліджуються для ресурсно обмежених середовищ, таких як носимі пристрої та імплантовані медичні датчики.

Виклики та майбутні напрями

Незважаючи на обіцянки, нейроморфне периферійне обчислення стикається з низкою викликів. Технологія мемристорів все ще відносно недорозвинена, з проблемами, пов'язаними з варіативністю пристроїв, довговічністю (кількість циклів перемикання) та складністю інтеграції. Розробка надійних алгоритмів SNN, які ефективно використовують унікальні характеристики апаратного забезпечення на основі мемристорів, залишається активною областю досліджень. Масштабування нейроморфних систем з урахуванням їх енергетичної ефективності є значним інженерним викликом.

Майбутні дослідження ймовірно зосередяться на покращенні продуктивності мемристорів, розробці більш складних архітектур SNN та дослідженні нових матеріалів за межами мемристорів для створення нейроморфних пристроїв.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте SPH Fluid і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.