• IBM یک تراشه هوش مصنوعی جدید با الگوبرداری از مغز انسان به نام NorthPole طراحی کرده است.
• این تراشه 25 برابر انرژی کمتری مصرف میکند و 22 برابر تاخیر کمتری نسبت به یک GPU 12 نانومتری در معیار ResNet50 دارد.
• اما این تراشه نمی‌تواند به حافظه خارجی دسترسی داشته باشد، به همین خاطر شبکه‌های عصبی بزرگ‌تر را به شبکه‌های فرعی کوچک‌تر تجزیه می‌کند تا بتواند آنها را پردازش کند.

آی‌بی‌ام برای طراحی سخت‌افزار هوش مصنوعی خود از یک الگوریتم که از مغز انسان الهام گرفته استفاده کرده است و موفق به طراحی تراشه‌هایی شده است که نرخ تأخیر آنها نسبت به تراشه‌های قبلی بهینه‌تر است و نسبت به پردازنده‌های گرافیکی موجود انرژی کمتری مصرف می‌کند. تراشه 12 نانومتری NorthPole دارای معماری سخت افزاری شبکه عصبی جدید است که برای کارهای استنتاج عصبی مانند طبقه بندی تصویر و تشخیص اشیا بهینه شده است.IBM  گفته است این تراشه 25 برابر بازده انرژی بیشتری دارد و 22 برابر تاخیر کمتری نسبت به یک GPU مشابه در معیار ResNet50 دارد. عملکرد آن در مقاله ای که به تازگی در Science منتشر شده است، ارائه شده است.NorthPole  دارای 22 میلیارد ترانزیستور و حافظه گسترده روی تراشه است. به این معنی که می توان از آن برای ذخیره و اجرای محاسبات روی تراشه بدون نیاز به دسترسی به حافظه خارجی استفاده کرد و سرعت و کارایی را افزایش داد. بر اساس یک پست وبلاگی، IBM بیان کرد که یکی از بزرگترین تفاوت های NorthPole این است که تمام حافظه مورد نیاز دستگاه به جای اتصال جداگانه به یک حافظه خارجی، روی خود تراشه است. مغز انسان هم به همین ترتیب کار میکند. با قرار دادن تمام حافظه روی تراشه، نیازی نیست که به طور مداوم داده ها را از یک حافظه خارجی به واحد پردازش و سایر اجزای موجود در تراشه جا به جا کرد. دارمندرا مدها، دانشمند ارشد IBM که برای محاسبات الهام گرفته از مغز انسان این تراشه را به همراه تیمش توسعه داده است، میگوید: این یک شبکه کامل روی یک تراشه است. او گفت NorthPole حتی از تراشه های ساخته شده با فرآیندهای پیشرفته تر مانند پردازنده های گرافیکی 4 نانومتری بهتر عمل می کند.

عدم دسترسی به حافظه خارجی می‌تواند نقطه ضعف باشد:

با این حال، NorthPole نمی‌تواند به حافظه خارجی دسترسی داشته باشد، بنابراین این موضوع در کنار یک نقطه قوت می‌تواند به عنوان یک نقطه ضعف هم در نظر گرفته شود. NorthPole برای کار با شبکه‌های عصبیبزرگ‌تر آنها را به شبکه‌های عصبی کوچک‌تر و فرعی تجزیه می‌کند تا بتواند آنها را در حافظه خود جای دهد. NorthPole این شبکه‌های فرعی را بر روی چندین تراشه NorthPole شبکه می‌کند تا بتواند آنها را پردازش کند.  به این تکنیکی scale-out گفته می‌شود. مدها گفت: ما نمی‌توانیم GPT-4 را در این مورد اجرا کنیم، اما می‌توانیم بسیاری از مدل‌های مورد نیاز شرکت‌ها را پشتیبانی کنیم. از سوی دیگر، NorthPole می‌تواند برای برنامه‌های کاربردی که نیاز به پردازش حجم عظیمی از داده‌ها در زمان واقعی دارند، مانند وسایل نقلیه خودران، مناسب باشد.