211service.com
Air Force tester IBMs hjerneinspirerte brikke som en lufttankspotter
Satellitter, fly og økende antall droner – det amerikanske luftforsvaret har mange elektroniske øyne på himmelen. Nå undersøker det om hjerneinspirerte databrikker kan gi disse systemene smarthetene til å gjøre ting som å automatisk identifisere kjøretøyer som tanks eller luftvernsystemer.
Air Force Research Lab (AFRL) rapporterer gode resultater fra bruk av en nevromorf brikke laget av IBM for å identifisere militære og sivile kjøretøy i radargenererte flybilder. Den ukonvensjonelle brikken gjorde jobben omtrent like nøyaktig som en vanlig kraftig datamaskin, og brukte mindre enn en 20-del av energien.
AFRL tildelte IBM en kontrakt verdt 550 000 dollar i 2014 for å bli den første betalende kunden av sin hjerneinspirerte TrueNorth-brikke. Den behandler data ved å bruke et nettverk av en million elementer designet for å etterligne nevronene til en pattedyrhjerne, forbundet med 256 millioner synapser.
Slike brikker er svært forskjellige fra de i eksisterende datamaskiner, og for noen problemer bør de være mye mer strømeffektive (se Thinking In Silicon ). Luftforsvaret er interessert fordi det kan gjøre det mulig å distribuere avansert maskinsyn, som vanligvis krever mye datakraft, på steder der ressurser og plass er begrenset. Satellitter, fly i høye høyder, flybaser som er avhengige av generatorer og små droner kan alle være til nytte, sier AFRLs hovedelektronikkingeniør Qing Wu. Luftforsvarets oppdragsdomener er luft, rom og cyberspace. [Alle er] veldig følsomme for maktbegrensninger, sier han.
Wu har arrangert konkurranser mellom TrueNorth og en kraftig Nvidia-datamaskin kalt Jetson TX-1, som koster rundt $500 og er designet for å gjøre det enklere å distribuere kraftig maskinlæringsteknologi ombord på maskiner som biler eller mobile roboter.
De konkurrerende datamaskinene brukte forskjellige implementeringer av nevrale nettverksbasert bildebehandlingsprogramvare for å prøve å skille 10 klasser militære og sivile kjøretøy representert i en offentlig datasett kalt MSTAR . Eksempler inkluderer russiske T-72 stridsvogner, pansrede personellskip og bulldosere. Begge systemene oppnådde omtrent 95 prosent nøyaktighet, men IBM-brikken brukte mellom en 20. og en 30. så mye strøm.
IBMs brikke bør ha en effektivitetsfordel ved slike oppgaver. Den konvensjonelle datamaskinen kjørte sin nevrale nettverksprogramvare på brikker med maskinvare som kunne betraktes som generelle formål, beregnet på å løse alle slags problemer. TrueNorth-brikkens maskinvare er hardkodet for å representere kunstige nevrale nettverk, med en million fysiske nevroner tilpasset oppgaven.
En grunn til at arkitektur gir bedre effektivitet er at brikkens nevroner og synapser både lagrer og opererer på data, sier Wu. I et konvensjonelt system som de på Jetson TX-1, er komponentene som utfører beregninger atskilt fra minnet. Det betyr at data må sendes fra minnet til prosessoren for å bli analysert, og deretter tilbake til minnet for å lagres, noe som bruker tid og energi.
Massimiliano Versace, som leder Boston University Neuromorphics Lab og jobbet med en annen del av Pentagon-kontrakten som finansierte IBMs arbeid med TrueNorth, sier at resultatene er lovende. Men han bemerker at IBMs brikke for øyeblikket kommer med avveininger.
Det er mye enklere å distribuere nevrale nettverk på konvensjonelle datamaskiner, takket være programvare gjort tilgjengelig av Nvidia, Google og andre. Og IBMs uvanlige brikke er mye dyrere. Brukervennlighet og pris er [de] to hovedfaktorene som ror mot spesialiserte nevromorfe brikker, sier Versace.
Wu sier at maskinvaren bør bli mye billigere hvis IBM er i stand til å tiltrekke seg nok interesse til å øke produksjonen. Selskapet sier det jobber med å gjøre programvareutvikling for plattformen enklere.