Wissenschaftler des Massachusetts Institute of Technology (MIT) haben einen Chip vorgestellt, der sich speziell zur Implementierung in neuronale Netzwerke eignet. Er ist zehn Mal so effizient wie ein mobiler Grafikprozessor (GPU). Somit könnten mobile Geräte noch größere Datenmengen als zuvor verarbeiten - und wären dabei nicht auf das Hochladen von Daten aus dem Internet angewiesen.
Neuronale Netze erleben in der Forschung unter dem Schlagwort "Deep Learning" derzeit eine Renaissance, da sie bei herausfordernden Anwendungen bessere Ergebnisse als konkurrierende Lernverfahren liefern. "Deep Learning ist für viele Anwendungen nützlich, wie zum Beispiel für die Objekterkennung, Sprache oder Gesichtserkennung", erklärt Vivienne Sze, eine der Forscherinnen am Projekt.
"Heute sind die Netzwerke sehr komplex und werden meist von starken GPUs betrieben. Das Potenzial aller Funktionalitäten wandert auf das Handy und man kann noch immer ungehindert damit arbeiten - auch wenn keine Internetverbindung vorhanden ist. Aufgrund der Datensicherheit bevorzugen es auch viele Menschen, lokal zu arbeiten", berichtet Sze.
Der neue Chip namens "Eyeriss" könnte auch in das "Internet der Dinge" eingeführt werden. Fahrzeuge, Anwendungen oder industrielles Equipment könnte mit Sensoren ausgestattet werden, die die Informationen direkt an die Netzwerk-Server weitergeben und damit die Arbeitskoordination und Wartung unterstützen.
Mit starken KI-Algorithmen an Bord könnten Netzwerkgeräte wichtige lokale Entscheidungen treffen und dabei nur die Ergebnisse, jedoch nie reine Persönlichkeitsdaten, dem Internet anvertrauen. Darüber hinaus würden neuronale Netzwerke sehr nützlich für batteriebetriebene autonome Roboter sein. Der Schlüssel für die Effizienz von Eyeriss liegt in der Minimierung der Frequenz, mit der der Datenaustausch mit entfernten Speicherbänken vonstattengeht.
Viele Kerne in einem GPU teilen eine einzelne große Speicherbank. Bei Eyriss hat jeder Kern seinen eigenen Speicher. Jeder Kern ist in der Lage, mit seinem unmittelbaren Nachbarn zu kommunizieren, zum Beispiel beim Teilen von Daten. Die Daten müssen also nicht immer durch den Hauptspeicher geführt werden. Das ist das Essenzielle bei einem neuronalen Netzwerk, wo so viele Knotenpunkte dieselben Daten verarbeiten. (Quelle: Christian Sec, pressetext.com)
