آکیدا: انقلابی در پردازش هوش مصنوعی لبه‌ای با الهام از مغز انسان

در دنیایی که استفاده از هوش مصنوعی هر روز گسترده‌تر می‌شود، نیاز به راه‌حل‌هایی کم‌مصرف و سریع برای پردازش در لبه (Edge computing) بیش از هر زمان دیگری احساس می‌شود. تراشه Akida ساخته شده توسط شرکت BrainChip با معماری نورومورفیک و الهام‌گرفته از مغز انسان، به‌گونه‌ای طراحی شده که قابلیت اجرای شبکه‌های عصبی پیچیده را در ابعادی به کوچکی یک تمبر پستی و با مصرف انرژی بسیار پایین فراهم می‌کند.

تراشه آکیدا تنها زمانی پردازش انجام می‌دهد که داده سنسوری جدیدی دریافت کند. این پردازش رویدادمحور، نه تنها مصرف انرژی را به حداقل می‌رساند، بلکه باعث کاهش تأخیر و افزایش سرعت پاسخ‌دهی نیز می‌شود. همه این ویژگی‌ها، آن را به گزینه‌ای ایده‌آل برای دستگاه‌های هوشمند قابل‌حمل، پهپادها، سیستم‌های مراقبتی و حتی کاربردهای نظامی تبدیل کرده است.

آشنایی با شرکت BrainChip

BrainChip یک شرکت استرالیایی است که به طور خاص روی حوزه مطالعاتی هوش مصنوعی لبه (Edge AI) کار می‌کند و در پردازش داده‌های سنسوری با معماری الهام‌گرفته از مغز تخصص دارد. این شرکت رهبر اصلی پردازش و یادگیری هوش مصنوعی لبه روی تراشه (edge AI on-chip) است و راه‌حل‌هایی ارائه می‌دهد که به پردازش داده‌های سنسورها، معنی بخشیده و ماشین‌ها را قادر می‌سازد با صرف منابع و هزینه کمتر پردازش‌های بیشتری را انجام دهند. این شرکت با تیم‌های مهندسی مستقر در کالیفرنیا، تولوز فرانسه، حیدرآباد هند و پرت استرالیا، حضور خود را بین‌المللی کرده‌است.

محصول شاخص شرکت BrainChip، یک پردازنده AI کاملا دیجیتال و مبتنی بر رویداد، به نام Akida است که رفتار مغز انسان را برای اجرای پردازش‌ها تقلید کرده و ورودی های ضروری حسگر را در نقطه دریافت، با دقت و بازده بالا و صرفه‌جویی در مصرف انرژی تجزیه و تحلیل می‌کند. این تکنولوژی امکان یادگیری در لبه (edge learning) را به صورت محلی در تراشه فراهم کرده، تاخیرها را کاهش داده، حریم خصوصی را بهبود بخشیده و امنیت داده‌ها را افزایش می‌دهد.

تراشه‌های نورومورفیک BrainChip

BrainChip نخستین بار فناوری پردازش عصبی نورومورفیک Akida را در کنفرانس Linley Fall Processor در سال 2019 معرفی کرد. با این حال، در سال 2021 بود که کیت‌های توسعه آن، مبتنی بر سیستم‌های کامپکت اینتل و Raspberry Pi، به صورت عمومی عرضه شد. در ژانویه 2022، این شرکت خبر تجاری‌سازی کامل فناوری خود را اعلام کرد و در همان سال با پلتفرم Edge Impulse همکاری‌هایی را برای ورود گسترده‌تر به بازار آغاز نمود.

نسل دوم آکیدا (Akida 2.0) در مارس 2023 معرفی شد و ویژگی‌های جدیدی همچون پشتیبانی از شبکه‌های عصبی رویدادمحور زمانی Temporal Event-Based Neural Networks یا TENNs و شتاب‌دهنده‌های اختیاری ویژن ترنسفورمر (Vision Transformer) را به همراه داشت. این نسخه به گونه‌ای طراحی شده تا قابلیت‌های بیشتری را درون تراشه فراهم کرده و بار پردازشی را از روی پردازنده‌ اصلی کاهش دهد. در زمان معرفی، شرکت سه کلاس محصول برای این نسل معرفی کرد که هرکدام برای نیازهای متفاوت در حوزه هوش مصنوعی لبه‌ای طراحی شده‌اند. هر سه نسخه از یادگیری درون‌تراشه‌ای و پردازش مبتنی بر رویداد پشتیبانی می‌کنند، اما در مقیاس‌پذیری، توان محاسباتی و پیچیدگی کاربردها، تفاوت‌های چشمگیری دارند. نسخه Akida-E با توان مصرفی بسیار پایین و قدرت پردازشی حدود 200 گیگا عملیات در ثانیه (GOPS) برای کاربردهای همیشه فعال و دستگاه‌های IoT با محدودیت انرژی مناسب است. Akida-S با توان پردازشی حدود 1 ترا عملیات در ثانیه (TOPS)، تعادلی میان مصرف و عملکرد ایجاد کرده و برای سیستم‌های امبدد هوشمند و میکروکنترلرها کاربرد دارد. در نهایت، Akida-P با قدرت پردازشی تا حدود 50 TOPS و پشتیبانی اختیاری از شتاب‌دهنده ویژن ترنسفورمر (ViT)، گزینه‌ای قدرتمند برای پردازش‌های سنگین مانند تشخیص اشیا و تقسیم‌بندی معنایی در لبه است.

پشتیبانی از معماری‌های پیشرفته یادگیری ماشین

آکیدا به‌صورت سخت‌افزاری از طیف گسترده‌ای از معماری‌های شبکه‌های عصبی مانند شبکه‌های کانولوشنی CNN، شبکه‌های عصبی عمیق DNN، شبکه‌های عصبی بازگشتی RNN و شتاب‌دهنده‌های Vision Transformer پشتیبانی می‌کند. اما آنچه آن را متمایز می‌سازد، قابلیت پشتیبانی از معماری جدیدی به نام شبکه‌های عصبی رویدادمحور زمانی یا TENNs است. این شبکه‌ها برای پردازش داده‌های سری‌زمانی (time-series data) پیچیده طراحی شده‌اند و توانایی استخراج ویژگی، از داده‌هایی مانند سیگنال‌های زیستی، صوت، تصویر یا حتی داده‌های راداری را با کارایی بالا فراهم می‌کنند. قابل ذکر است که در نسل دوم پلتفرم آکیدا، ویژگی‌هایی مانند پشتیبانی از وزن‌ها و فعال‌سازی‌های ۸ بیتی، بهبود شتاب‌دهی به ترنسفورمرهای بینایی، پردازش ترتیبی چندمرحله‌ای و حافظه‌های محلی قابل‌تنظیم برای بهینه‌سازی دسترسی به داده‌ها نیز اضافه شده است.

تراشه‌ای به اندازه یک تمبر، با عملکردی فراتر از تصور

دکتر جوزف گرچی، یکی از رهبران بین‌المللی در زمینه سیستم‌های سنسوری و شناختی، در یک پادکست تحت حمایت BAE Systems اظهار داشت که آکیدا برجسته‌ترین دستاورد زمانه است و حتی آن را مهم‌تر از ChatGPT دانست. او با اشاره به اینکه این تراشه تنها زمانی مصرف انرژی دارد که یک تغییر حالت (مانند دریافت یک پالس) اتفاق بیفتد، تأکید کرد:

"این تراشه چیزی به اندازه یک تمبر پستی است، اما قابلیت انجام پیچیده‌ترین تحلیل‌های عصبی و محاسباتی را دارد... این قطعه می‌تواند همه‌چیز را تغییر ‌دهد."

آکیدا می‌تواند بدون نیاز به پردازش ابری، کارهایی مانند مرتب‌سازی پالس، شناسایی ویژگی، مکان‌یابی و شناسایی خودکار هدف (ATR) را به‌صورت محلی انجام دهد. این ویژگی‌ها Akida را برای پهپادهای کوچک، سیستم‌های امبدد و تجهیزات نظامی، فوق‌العاده ارزشمند می‌سازد.

معماری تراشه Akida

در معماری داخلی آکیدا، مجموعه‌ای از هسته‌های عصبی به‌صورت شبکه‌ای، مش‌بندی شده‌اند. این هسته‌ها می‌توانند برای لایه‌های کانولوشنی یا کاملاً متصل تنظیم شوند. هر تراشه شامل ۱.۲ میلیون نورون و ۱۰ میلیارد سیناپس است و از حافظه داخلی ۶ مگابایتی بهره می‌برد. این تراشه با استفاده از فرایند CMOS استاندارد تولید می‌شود که هزینه پایین و بازده بالا را تضمین می‌کند.

یکی از نوآوری‌های آکیدا، وجود مبدل‌های داده به پالس روی تراشه است. این مبدل‌ها می‌توانند انواع داده‌ها مانند تصویر، صوت یا داده‌های مالی را به فرمت مناسب برای شبکه‌های اسپایکی تبدیل کنند. این پردازش بدون هزینه سنگین محاسباتی انجام می‌شود اما نیازمند زیرساخت نرم‌افزاری مناسب است.

نورون‌ها، سیناپس‌ها و یادگیری درون‌تراشه‌ای

تراشه Akida رویکردی متفاوت از بسیاری از سیستم‌های نورومورفیک دیگر دارد. این تراشه به‌جای استفاده از نورون‌های مدل LIF (Leaky Integrate-and-Fire)، از یک معماری دیجیتال مبتنی بر رویداد بهره می‌برد. در این معماری، داده‌های تصویری ورودی به مجموعه‌ای از رویدادها تبدیل شده و سپس با الگوریتمی به نام رمزگذاری رتبه‌ای (Rank Order Coding - ROC) رمزگذاری می‌شوند. به این ترتیب اطلاعات براساس ترتیب زمانی وقوع منتقل می‌شوند. این طراحی باعث کاهش مصرف انرژی و پردازش غیرضروری می‌شود و عملکردی مشابه دوربین‌های رویدادمحور دارد.

هر هسته Akida شامل ده‌ها هزار نورون دیجیتال و سیناپس‌هایی است که می‌توانند براساس نوع مدل به‌صورت سخت‌افزاری پیکربندی شوند. یکی از ویژگی‌های قابل توجه این تراشه، پشتیبانی از وزن‌های سیناپسی با دقت متغیر ۱، ۲، ۴ یا ۸ بیت است که امکان بهینه‌سازی مصرف انرژی و دقت پردازش را برای کاربردهای مختلف فراهم می‌کند.

همچنین Akida از قابلیت یادگیری درون‌تراشه‌ای (on-chip learning) پشتیبانی می‌کند؛ اما این ویژگی در حال حاضر تنها زمانی که وزن‌ها و ورودی‌ها به‌صورت باینری باشند، در لایه Fully-Connected نهایی فعال است. این قابلیت در نسخه AKD1000 به‌کار گرفته شده و امکان یادگیری مستقیم روی دستگاه را بدون نیاز به اتصال به فضای ابری فراهم می‌کند.

ابزارهای توسعه تراشه آکیدا

مدل‌های آکیدا با استفاده از ابزارهایی مانند TensorFlow و Edge Impulse آموزش داده می‌شوند. BrainChip برای سهولت توسعه مدل‌های سازگار با سخت‌افزار خود، ابزار MetaTF را ارائه داده است. این ابزار مبتنی بر TensorFlow است و دو بسته جانبی مهم به آن اضافه شده‌اند: quantizeml برای کوانتیده‌سازی، کالیبراسیون و بازآموزی مدل‌های Keras و CNN2SNN برای تبدیل شبکه‌های عصبی سنتی به شبکه‌های اسپایکی.

پس از آموزش مدل با Keras، باید آن را کوانتیده‌ کرد. از آنجا که این فرایند دقت مدل را کاهش می‌دهد، مرحله‌ کالیبراسیون وزن‌ها اهمیت زیادی دارد. با تنظیم دقیق توزیع وزن‌ها، مدل کوانتیده‌شده بهتر با داده‌های آموزش تطبیق داده می‌شود. سپس مدل می‌تواند در همان چارچوب آموزشی قبلی بازآموزی شود تا دقت بیشتری به‌دست آید.

نمونه‌هایی از کاربردهای عملی

آکیدا برای کاربردهایی مانند اتوماسیون صنعتی، مراقبت‌های بهداشتی، الکترونیک مصرفی و صنایع خودروسازی ایده‌آل است. این تراشه می‌تواند در پایش درون‌کابین خودروها، پیش‌بینی علائم حیاتی، نظارت خانگی و حتی نگهداری پیش‌بینانه‌ تجهیزات صنعتی مورد استفاده قرار گیرد. در یکی از پژوهش‌های اخیر شش پژوهشگر از شرکت Ericsson با استفاده از آکیدا توانستند نخستین نمونه از یک دستگاه بدون مصرف انرژی (Zero Energy Device) را توسعه دهند. این پروژه ثابت کرد که با رویکرد نورومورفیک می‌توان به سیستم‌های هوشمند کاملاً مستقل و بدون نیاز به باتری دست یافت.

چشم‌انداز آینده

BrainChip به‌طور فعال روی نسل‌های بعدی آکیدا کار می‌کند تا امکان اجرای شبکه‌های عصبی عمیق‌تر، با لایه‌های بیشتر و ساختارهای پیچیده‌تر فراهم شود. این شرکت در تلاش است توان عملیاتی تراشه را در عین حفظ مصرف انرژی پایین افزایش دهد و قابلیت‌هایی نظیر یادگیری چندمرحله‌ای و سازگاری بلادرنگ با محیط را به آن بیفزاید. هدف اصلی، کاهش وابستگی به پردازش ابری و ایجاد اکوسیستمی از دستگاه‌های هوشمند و مستقل در لبه شبکه است. این تحول می‌تواند زیرساخت‌های سنتی پردازش هوش مصنوعی را دگرگون کرده و به گسترش کاربردهای حیاتی در صنایع مختلف بینجامد. BrainChip با این مسیر، آینده‌ای را ترسیم می‌کند که در آن تصمیم‌گیری‌های سریع و امن، مستقیماً در محل وقوع داده انجام می‌شود.