Neuromorphic Computing Een brein in je broekzak
Jonas Doevenspeck
1
WIE BEN IK?
2
Fysica en burgerlijk ingenieur
Doctoraat over nieuwe geheugens voor neurale
netwerken
Stage over nieuwe geheugens voor deep
learning chips
2011-2016 2016-2020 2019
WAT GA IK JULLIE VERTELLEN?
3
1. AI is eindelijk nuttig
2. Maar er zijn veel uitdagingen: energieverbruik
3. Mogelijke oplossing is neuromorphic computing
4. Applicaties?
WAT GA IK JULLIE VERTELLEN?
4
1. AI is eindelijk nuttig
2. Maar er zijn veel uitdagingen: energieverbruik
3. Mogelijke oplossing is neuromorphic computing 4. Applicaties?
AI is eindelijk nuttig
5
ARTIFICIELE INTELLIGENTIE (AI)
6
DATA INFORMATIE
KENNIS WIJSHEID
Ruwe data: Beelden uit een camera (pixels)
Betekenis: Voetganger op 50m Interpretatie: Er loopt een
voetganger over de straat Actie: Stop de auto
Verleden
Toekomst
OOK GEKEND ALS KUNSTMATIGE INTELLIGENTIE (KI)
AI? Waarom?
Intelligente programmas/algoritmes om informatie en kennis uit data halen
→ gebruik deze kennis om acties te nemen
EEN HEEL KORTE AI GESCHIEDENIS
Handgemaakt 1980
Kennis engineering
Expert systemen
1956
Dartmouth conference
Geboorte van AI
2015
Neurale netwerken Big data, snelle hardware Alle grote tech. bedrijven gebruiken
het
Recente AI boom
Transitie van kennis gedreven 1990
naar data gedreven aanpak
Machine learning
"machines will be capable, within twenty
years, of doing any work a man can do."
"In from three to eight years we will have a machine with the general intelligence of an
average human being”
Marvin Minsky, 1970
H. A. Simon, 1965
Deepfakes
Virtual assistants
WAT IS EEN NEURAL NETWERK?
8
Een zeer ingewikkelde functie/model:
y = f(x)
y = f(x) y = ax+b
y
x Lineare functie
y = f(x)
Klasse = f(afbeelding)
x f y
Neuraal netwerk
b
a
Taken from becominghuman.ai/debunking-convolutional-neural-networks- cnn-with-practical-examples-688284c45b85
HOE WERKT EEN NEURAAL NETWERK?
9
Input
Model
Output‘Blackbox’
Mogelijke inputs:
• Afbeelding
• Tekst
• Spraak
• ...
Mogelijke outputs:
• Label: kat/hond
• Spraak
• Tekst
• ...
Classificeren of voorspellen = ‘inference’
WAT IS ER NIEUW AAN DEEP LEARNING?
10
Manuel ingeven van relevante eigenschappen: vb. band, deur, bumper, etc ...
Relevante eigenschappen worden geleerd door de AI
1980-2010
2010-2020
Taken from: lawtomated.com/a-i-technical-machine-vs-deep-learning/
DIEPE NETWERKEN LEREN HIERARCHISCH
11
pixels lijnen/cirkels ogen/neuzen gezichten
Dit is persoon ‘...’
Taken from: https://www.researchgate.net/figure/Feature- hierarchy-in-Deep-Neural-Networks_fig2_306072426
DIEPE NETWERKEN VOOR GEAVANCEERDE TOEPASSINGEN ZIJN GIGANTISCH
12
+ + + + ...
Om cijfers te herkennen
Om objecten zoals auto’s en mensen te herkennen
Taken from: https://towardsdatascience.com/training-deep-neural-networks-9fdb1964b964
DEEP LEARNING IS EEN SUBSET VAN MACHINE LEARNING EN VAN AI
13
Ook vele niet deep-learning AI applicaties vandaag
Taken from https://blogs.nvidia.com/blog/2016/07/29/whats- difference-artificial-intelligence-machine-learning-deep-learning-ai/
14
20.000 categorien:
• ballon
• aardbei
• auto
• ...
14.000.000 afbeeldingen
Classificeer afbeelding
Verander model om juiste classificatie te bekomen
HOE LEERT ZO EEN NETWERK?
MET ENORM VEEL DATA
Input Output Check of output juist
Model
Taken from https://www.researchgate.net/figure/Examples-in- the-ImageNet-dataset_fig7_314646236
TRAINEN IN DE CLOUD, INFERENCE IN DE EDGE
15
Training in datacenter/cloud
Inference in the edge
Robot
Smart Camera
Smart Glasses Smartphone
We trainen 1 model dat iedereen kan
gebruiken
WAT GA IK JULLIE VERTELLEN?
16
1. AI is eindelijk nuttig
2. Maar er zijn veel uitdagingen: energieverbruik
3. Mogelijke oplossing is neuromorphic computing 4. Applicaties?
Uitdagingen van hedendaagse AI
chips
17
YOLO: YOU ONLY LOOK ONCE
18
STATE OF THE ART OBJECTHERKENNING
From https://pjreddie.com/darknet/yolo/
https://www.youtube.com/watch?v=MPU2HistivI&t=1s
HOE LANG GAAT MIJN BATTERIJ MEE?
19
YOLO:
State of the art objectherkenning
1.5 months (no driving) 5 seconds
11 min.
TIJDENS DE INFERENCE
From https://pjreddie.com/darknet/yolo/
HOEVEEL ENERGIE? EN WAT KOST DAT?
20
VOOR HET TRAINEN/LEREN VAN HET MODEL
300.000 kg
2000 kg
Trainen van state of the art vertalingsmodel Auto levenscyclus
Vlucht Brussel → New York
50.000kg
Bron: https://www.technologyreview.com/s/613630/training-a-single-ai- model-can-emit-as-much-carbon-as-five-cars-in-their-lifetimes/
Kost cloud compute:
1 → 3 miljoen USD
Meeste modellen gebruikt vandaag zijn minder groot dus gebruiken minder energie
CO2 uitstoot
WAT GA IK JULLIE VERTELLEN?
21
1. AI is eindelijk nuttig
2. Maar er zijn veel uitdagingen: energieverbruik
3. Mogelijke oplossing is neuromorphic computing
4. Applicaties?
De energie moet omlaag →
Neuromorphic Computing
22
HET MENSELIJK BREIN IS ENORM ENERGIE-EFFICIENT
23
MAAR NIET DE BESTE IN ALLES
Menselijk brein 20 Watt = Supercomputer
13 MegaWatt
𝟏
𝟔𝟓𝟎, 𝟎𝟎𝟎
• Plannen
• Problemen oplossen
• Communicatie
• Creativiteit
• Rekenen
• Patroon herkenning
• Klimaatsimulaties
= 10.000x
NEUROMORPHIC COMPUTING
24
WAT BETEKENT DAT?
Idee: AI systemen bouwen waarvan de
architectuur en ontwerp gebaseerd zijn op biologische hersenen.
Multidisciplinair veld dat gebruikt maakt van:
• Biologie
• Fysica
• Computerwetenschappen
• Electronica
Doel: AI chips bouwen die energie-efficienter zijn dan hedendaagse chips
NEUROMORPHIC COMPUTING
25
HOEVER MOET JE DAAR IN GAAN?
Het brein perfect nabootsen
Human Brain Project (EU)
Spinnaker IBM TrueNorth
Grafische kaart:
online te koop AI algorithmes die op klassieke computers draaien
→ hedendaagse oplossing Computers geinspireerd
door het brein
26
We gebruiken enkel de principes en kopieren niet alles
Welke principes moeten we gebruiken?
NEUROMORPHIC COMPUTING
HOEVER MOET JE DAAR IN GAAN?
WAAROVER GAAT MIJN ONDERZOEK?
27
≈
Nano-geheugen
Biologische synapse
10 nanometer
(1 haar = 100.000 nanometer)
Gebruiken van nanogeheugens voor neuromorphic computing Atomen
100.000 miljard synapsen in onze hersenen
WAT HEEFT IMEC DAAR MEE TE MAKEN?
28
Imec cleanroom
Nano-geheugen
1 miljoen nano-
geheugens in 1 testchip Imec maakt nanogeheugens voor
dataopslag en ook voor AI chips
WAARVOOR IS DIT NUTTIG?
29
WANDELBEWEGING-AUTHENTICATIE (GAIT-AUTHENTICATION)
Iemand zijn manier van wandelen kan zo uniek zijn als een vingerafdruk
Identificatie mogelijk via:
• Video
• Acceleratiemeter (in smartphone, autosleutel, etc ...) Nuttig voor: authenticatie en herkenning
WANDELBEWEGING-AUTHENTICATIE
30
Tijd
Acceleratie
Acceleratie-data Neuromorphic chip
“Deze person is wel/niet de
eigenaar”
Uitdagingen voor Neuromorphic
Computing
31
UITDAGINGEN NEUROMORPHIC COMPUTING
Hoe nuttig is dit?
→Vertaal de voordelen/nadelen naar applicatie niveau
32
Niemand begrijpt echt hoe het brein werkt
?
→ hoe kunnen we er dan van leren?
Hoeveel inspiratie moeten we nemen van het brein?
→ we gebruiken silicium, geen biologische cellen ...
SAMENWERKEN OVER DISCIPLINES HEEN IS CRUCIAAL
33
Neuro
wetenschappers
Materiaal
wetenschappers Fysici Chip ontwerpers
Computer wetenschappers
Applicatie -ingenieurs
WAT GA IK JULLIE VERTELLEN?
34
1. AI is eindelijk nuttig
2. Maar er zijn veel uitdagingen: energieverbruik
3. Mogelijke oplossing is neuromorphic computing 4. Applicaties?
Applicaties
35
ENERGIE ZUINIGE AI MAAKT TALLOZE APPLICATIES MOGELIJK
Lage energie inferentie in de edge:
Geavanceerd AI toepassen waar er weinig energie voorhanden is
36
Leren/trainen in de edge:
AI modellen leren zonder communicatie met de cloud
AI AT THE EDGE: INFERENTIE
37
Constant streamen van video naar datacenter voor AI-herkenning
Camera Videostreaming AI in
Datacenter
AI zit in de camera → stuur enkel bericht als er iets wordt herkend
AI in smart camera
LAGERE ENERGIE
AI AT THE EDGE: INFERENCE
SNELLER BESLISSINGEN MAKEN
Voor sommige applicaties is een ‘real-time’ response nodig.
Geen tijd voor communicatie met cloud.
Afhankelijk van draadloze verbinding → groot risico
Voorbeeld: zelf-rijdende auto’s Cloud inference
Edge inference
LEREN IN DE EDGE:
39
Personal:
Alle edge apparaten leren een persoonlijk model
Privacy:
Geen data meer naar de cloud
Risk:
Invloed van buitenaf wordt uitgesloten
LEREN IN DE EDGE: PERSOONLIJKE AI MODELLEN LEREN
40
Hartslag anomalie detectie
Biometrische beveiliging met wandelbeweging-authenticatie
Monitoren van vibraties in bruggen: anomalie detectie
Mensen en fysische objecten hebben allemaal een eigen patroon.
→ Niet mogelijk om een gemeenschappelijk cloud-trained model te gebruiken!
TAKE HOME
41
AI is eindelijk nuttig
AI algoritmes vragen heel veel energie
We hebben nieuwe, lage energie AI chips nodig!
Dit maakt talloze applicaties mogelijk!
→ AI at the edge
= zuinig, veilig, snel, mobiel, goedkoop
email: jonas.doevenspeck@imec.be LinkedIn