០១ទិដ្ឋភាពទូទៅ៖ Neuromorphic Computing គឺជាអ្វី?

កុំព្យូទ័របែបប្រព័ន្ធប្រសាទ (neuromorphic computing) សំដៅដល់ការរចនាបន្ទះឈីបកុំព្យូទ័រតាមគំរូឥរិយាបថនៃខួរក្បាលសត្វ ជាពិសេសការប្រើ «បណ្តាញប្រសាទបែបលោត» (spiking neural network ហៅកាត់ថា SNN) ជាកន្លែងដែលឯកតាគណនានីមួយៗ (neuron សិប្បនិម្មិត) ផ្ញើសញ្ញាអគ្គិសនីខ្លីៗហៅថា «ការលោត» (spike) តែនៅពេលមានព័ត៌មានត្រូវផ្ញើប៉ុណ្ណោះ មិនមែនគណនាជានិច្ចរាល់ចង្វាក់នាឡិកា (clock cycle) ដូចប្រព័ន្ធកុំព្យូទ័រធម្មតានោះទេ។ លក្ខណៈ «ដំណើរការតាមព្រឹត្តិការណ៍» (event-driven) នេះមានន័យថា រង្វង់សៀគ្វីមួយចំនួនអាចនៅស្ងៀមមិនប្រើថាមពលអំឡុងពេលគ្មានសកម្មភាព — ខុសពីឈីបធម្មតាដែលមានសៀគ្វីរាប់លាននៅដំណើរការគ្រប់ចង្វាក់នាឡិកា ទោះមានទិន្នន័យត្រូវដំណើរការ ឬអត់ក៏ដោយ។

ពាក្យ «neuromorphic» ត្រូវបានប្រើដំបូងគេដោយសាស្ត្រាចារ្យ Carver Mead នៃវិទ្យាស្ថានបច្ចេកវិទ្យា California (Caltech) ក្នុងសៀវភៅ Analog VLSI and Neural Systems ឆ្នាំ ១៩៨៩-១៩៩០ ដើម្បីពិពណ៌នាសៀគ្វី analog ដែលត្រាប់តាមរចនាសម្ព័ន្ធនឺរ៉ូន-ស៊ីណាប។ សព្វថ្ងៃ ពាក្យនេះគ្របដណ្តប់ទាំងឈីបបែបលោត (spiking) ដូច Loihi ២ និង Akida ព្រមទាំងឈីបខ្លះ «ត្រាប់តាមខួរក្បាល» ខាងស្ថាបត្យកម្មប៉ុណ្ណោះ (ដូចជាការដាក់សតិ-គណនាជាប់គ្នា) ដោយមិនចាំបាច់ជាបណ្តាញលោតទាំងស្រុង — ដូចជា NorthPole របស់ IBM ដែលអត្ថបទនេះនឹងបញ្ជាក់នៅផ្នែក F។

០២ខុសពីស្ថាបត្យកម្ម von Neumann/GPU ធម្មតាយ៉ាងណា?

ស្ថាបត្យកម្មកុំព្យូទ័រធម្មតា (von Neumann) ញែកឯកតាគណនា (processor) ចេញពីសតិផ្ទុកទិន្នន័យ (memory) ជាពីរផ្នែកដាច់ដោយឡែក ដោយទិន្នន័យត្រូវផ្លាស់ទីទៅមកតាមខ្សែបញ្ជូន (bus) រាល់ពេលគណនា។ ជីភីយូ (GPU) ដែលជាមូលដ្ឋានគ្រឹះនៃការបណ្តុះបណ្តាល AI សព្វថ្ងៃ គឺជាឧបករណ៍ស្របគ្នាបែបនាឡិកា (synchronous, clocked) ដ៏ពូកែក្នុងការគណនាគុណម៉ាទ្រីស (matrix multiplication) ក្រាស់ណែន — ស័ក្តិសមនឹងបណ្តាញប្រសាទស៊ីជម្រៅ (deep neural network) ដែលគណនាថេរលើទិន្នន័យបាច់ធំ (batch)។ ប៉ុន្តែស្ថាបត្យកម្មនេះក៏មានចំណុចខ្សោយហៅថា «ជញ្ជាំងសតិ» (memory wall) ឬ «ការស្ទះនៃ von Neumann» (von Neumann bottleneck) — ថាមពលភាគច្រើនត្រូវចំណាយលើការផ្លាស់ទីទិន្នន័យទៅមករវាងសតិ និងឯកតាគណនា មិនមែនលើការគណនាខ្លួនឯងទេ — ជាបញ្ហាដែលឯកសារវិទ្យាសាស្ត្រកុំព្យូទ័របានចង្អុលបង្ហាញយូរមកហើយ។

ឈីបប្រព័ន្ធប្រសាទដោះស្រាយបញ្ហានេះតាមយន្តការពីរផ្សេងគ្នា៖ ទីមួយ ការគណនាតាមព្រឹត្តិការណ៍ (event-driven) មានន័យថាថាមពលចំណាយសមាមាត្រទៅនឹងកម្រិតសកម្មភាព — ប្រសិនបើទិន្នន័យស្ងប់ស្ងាត់ ឬតិចតួច (ដូចសញ្ញាឧបករណ៍ចាប់សញ្ញាឆ្លងកាល) ថាមពលប្រើក៏តិចតួចដែរ ដែលសន្សំសំចៃច្រើនបំផុតលើទិន្នន័យតាមពេលវេលា (temporal) ដ៏កម្រ។ ទីពីរ ការគណនាក្នុងសតិ (compute-in-memory) ដាក់ឯកតាគណនានៅជាប់សតិផ្ទាល់ ជំនួសផ្លាស់ទីទិន្នន័យទៅសតិដាច់ដោយឡែក — មិនតម្រូវឲ្យប្រើការលោត (spike) ក៏បានដែរ ដូចករណី NorthPole។ ទាំងពីរនឹងលេចឡើងម្តងទៀតនៅផ្នែកបន្ទាប់។

• ការយល់ច្រឡំទូទៅ៖ «neuromorphic» សុទ្ធតែជាឈីបប្រភេទតែមួយ ធ្វើការតែមួយបែប
• ជាការពិត៖ មានយន្តការរងយ៉ាងតិចពីរ (ដំណើរការតាមព្រឹត្តិការណ៍ និងគណនាក្នុងសតិ) ដែលក្រុមហ៊ុននីមួយៗជ្រើសរើសខុសគ្នា — ផ្នែក D ដល់ H នឹងបង្ហាញឧទាហរណ៍ជាក់ស្តែងនីមួយៗ

០៣ប្រវត្តិ និងពេលវេលាសំខាន់ៗ

គោលគំនិតនៃការគណនាតាមគំរូខួរក្បាលមានប្រវត្តិវែងជាងបន្ទះឈីបពាណិជ្ជកម្មបច្ចុប្បន្នច្រើន។ បន្ទាប់ពីលោក Carver Mead បង្កើតពាក្យនេះឆ្នាំ ១៩៨៩-១៩៩០ ទីភ្នាក់ងារស្រាវជ្រាវឧត្តម (DARPA) របស់ក្រសួងការពារជាតិសហរដ្ឋអាមេរិកបានបើកគម្រោង SyNAPSE ចាប់ពីឆ្នាំ ២០០៨ ដោយវិនិយោគជាង ១០០ លានដុល្លារ ដើម្បីស្រាវជ្រាវឈីបសិក្សាបែបខួរក្បាល។ លទ្ធផលសំខាន់មួយគឺ TrueNorth របស់ IBM និង Cornell បោះពុម្ពក្នុង Science ខែសីហា ២០១៤៖ នឺរ៉ូន ១ លាន synapse ២៥៦ លាន core ៤.០៩៦ transistor ៥,៤ ពាន់លាន ប្រើថាមពលត្រឹម ៧០ មិល្លីវ៉ាត់ — បញ្ជាក់ថាឈីបនេះផលិតបានលើដំណើរការឌីជីថលធម្មតា មិនចាំបាច់ analog។

ដំណាលគ្នា សាកលវិទ្យាល័យ Manchester (អង់គ្លេស) ក្រោមលោក Steve Furber (អ្នករចនាដើម ARM) បានអភិវឌ្ឍគម្រោង SpiNNaker ជាផ្នែកនៃ Human Brain Project របស់អឺរ៉ុប ដោយប្រើស្នូល ARM រាប់ពាន់ត្រាប់តាមបណ្តាញប្រសាទតាមពេលវេលាពិត។ Intel ចូលរួមឆ្នាំ ២០១៧ ជាមួយ Loihi ជំហានដំបូង មុននឹងបន្តជាមួយ Loihi ២ ឆ្នាំ ២០២១ (ផ្នែក D)។ ២០២៣ IBM បោះពុម្ព NorthPole ក្នុង Science (ផ្នែក F) ខណៈ ២០២៤ Intel ប្រកាស Hala Point (ផ្នែក E) ស្របពេល SpiNNcloud Systems (បំបែកពី Dresden ២០២១) ប្រកាស SpiNNaker ២ (ផ្នែក H)។

០៤Intel Loihi ២៖ បន្ទះឈីបស្រាវជ្រាវរបស់ Intel

Loihi ២ គឺជាបន្ទះឈីបស្រាវជ្រាវជំនាន់ទីពីររបស់ Intel ដែលបានបង្ហាញឆ្នាំ ២០២១ ផលិតលើដំណើរការ Intel ៤ (បុរេផលិតកម្ម) លើទំហំសៀគ្វី ៣១ ម.ម២។ តាមឯកសារ Intel ផ្ទាល់ បន្ទះឈីបនេះគាំទ្រនឺរ៉ូនរហូតដល់ ១ លាន (ធៀបនឹង ១២៨.០០០ ក្នុងជំនាន់ដើម) និង synapse រហូតដល់ ១២០ លាន។ ស្នូលនីមួយៗដំណើរការតាមបែបអសមកាល (asynchronous) ទាំងស្រុង ផ្ញើសញ្ញាលោត «ចម្រុះកម្រិត» (graded spike) ដឹកជញ្ជូនទិន្នន័យរហូតដល់ ៣២ ប៊ីតក្នុងមួយសញ្ញា (ជាងសញ្ញាលោតគូ ០/១ សាមញ្ញរបស់ជំនាន់មុន) ដោយចង្វាក់ពេលវេលាអប្បបរមាទូទាំងឈីបតិចជាង ២០០ ណាណូវិនាទី។ បន្ទះឈីបនេះក៏គាំទ្រច្បាប់រៀនសូត្រនៅលើឈីបផ្ទាល់ («three-factor learning rule») ដែលអាចត្រាប់តាមក្បួនដោះស្រាយប្រហាក់ប្រហែល backpropagation បានផងដែរ។

Intel ខ្លួនឯងអះអាងថា Loihi ២ ដំណើរការប្រសើរជាង Loihi ជំនាន់ដើមរហូតដល់ «១០ដង» លើរង្វាស់មួយចំនួន ជាមួយលទ្ធផលរងចម្រុះ៖ ល្បឿនដំណើរការលឿនជាង ២ ទៅ ៥ដង អាស្រ័យលើប្រភេទប្រតិបត្តិការ ដង់ស៊ីតេធនធានប្រសើរឡើង ២ ទៅ ១៦០ដង ខណៈបណ្តាញប្រភេទ Sigma-Delta ដំណើរការលើ Loihi ២ អះអាងថាអាចលឿន និងសន្សំថាមពលជាង ១០ដងផងដែរ — Intel ពិពណ៌នាថាកម្មវិធីលើ Loihi ប្រើថាមពល «តិចជាង ១ វ៉ាត់» ធៀបនឹងដំណោះស្រាយធម្មតាដែលប្រើថាមពលរាប់សិបទៅរាប់រយវ៉ាត់ — សុទ្ធតែជាតួលេខដែល Intel ជាអ្នករាយការណ៍ផ្ទាល់ លើលក្ខខណ្ឌសាកល្បងដែល Intel ជ្រើសរើសខ្លួនឯង។ សំខាន់ជាងនេះទៅទៀត Loihi ២ មិនមែនជាផលិតផលពាណិជ្ជកម្មទូទៅឡើយ — ការចូលប្រើភាគច្រើនកំណត់ចំពោះដៃគូស្រាវជ្រាវតាមរយៈកម្មវិធី Intel Neuromorphic Research Cloud (INRC) មិនមានលក់រាយសាធារណៈទូទៅដូចជីភីយូទេ។

០៥Hala Point៖ ប្រព័ន្ធនៅ Sandia National Laboratories

ថ្ងៃទី ១៧ មេសា ២០២៤ Intel បានប្រកាសប្រព័ន្ធ Hala Point ដែលក្រុមហ៊ុនហៅថា «ប្រព័ន្ធនឺរ៉ូម័រហ្វិកធំបំផុតលើពិភពលោក» គិតត្រឹមពេលនោះ។ ប្រព័ន្ធនេះផ្សំ Loihi ២ ចំនួន ១.១៥២ ចូលគ្នា core សរុប ១៤០.៥៤៤ តំណាងនឺរ៉ូន ១,១៥ ពាន់លាន និង synapse ១២៨ ពាន់លាន — Intel ប្រៀបធៀបទៅនឹង «ខួរក្បាលសត្វទីទុយ ឬសំបកខួរស្វាកាពូស៊ីន» ជាការប្រៀបធៀបផ្ទាល់មាត់ក្រុមហ៊ុន មិនមែនរង្វាស់វិទ្យាសាស្ត្រនោះទេ។ រូបវន្តវាមានទំហំដូចឡសាំង ៦ គ្រឿងជង់គ្នា ប្រើថាមពលអតិបរមា ២.៦០០ វ៉ាត់។

Hala Point ត្រូវបានដាក់ឲ្យប្រើនៅ Sandia National Laboratories ក្រោមក្រសួងថាមពលសហរដ្ឋអាមេរិក សម្រាប់ស្រាវជ្រាវក្បួនដោះស្រាយ AI តាមគំរូខួរក្បាល — ការដាក់ពង្រាយនេះផ្ទៀងផ្ទាត់បានតាមសេចក្តីប្រកាសរបស់ Sandia ខ្លួនឯង ប៉ុន្តែសម្រាប់ស្រាវជ្រាវ មិនមែនផលិតកម្មពាណិជ្ជកម្មទូទៅទេ។ Intel អះអាងថាប្រព័ន្ធអាចគាំទ្រ ២០ petaops និងប្រសិទ្ធភាពលើសពី ១៥ TOPS/W (៨ប៊ីត) នៅពេលដំណើរការបណ្តាញប្រសាទស៊ីជម្រៅធម្មតា — «ស្មើ ឬលើសពី» CPU/GPU ធម្មតា តាមការអះអាង ព្រមទាំងអះអាងបន្ថែមថាតិចថាមពលដល់ ១០០ដង និងលឿនដល់ ៥០ដង ធៀបនឹង CPU/GPU លើភារកិច្ចជាក់លាក់ខ្លះ (inference, optimization)។

០៦IBM NorthPole៖ បន្ទះឈីបគណនាក្នុងសតិ មិនមែនស្ពាយឃីង

ខុសពី Loihi ២ និង Akida ដែលជាឈីបលោត (spiking) ពិតប្រាកដ NorthPole របស់ IBM ជា «ឈីបត្រាប់តាមខួរក្បាល» ខាងស្ថាបត្យកម្មប៉ុណ្ណោះ — មិនប្រើសញ្ញាលោតទេ។ ចំណុចសំខាន់គឺដាក់សតិចូលរួមជាមួយស្នូលគណនាដោយផ្ទាល់លើឈីបតែមួយ (compute-in-memory) លុបបំបាត់ការផ្លាស់ទីទិន្នន័យទៅសតិខាងក្រៅ — ដោះស្រាយ «ជញ្ជាំងសតិ» ខាងផ្នែក B ដោយវិធីខុសពីការលោត។ ឈីបនេះមាន transistor ២២ ពាន់លាន លើផ្ទៃដី ៨០០ ម.ម២ ផលិតលើដំណើរការ ១២ណាណូម៉ែត្រ (ចាស់ជាងទំនើបបំផុតច្រើនជំនាន់) ដំណើរការនៅប្រេកង់ទាប ២៥-៤២៥ មេហ្គាហឺត សម្រាប់ការគណនាកម្រិតលំអិតទាប (2-bit, 4-bit, 8-bit)។

NorthPole រចនាឡើងសម្រាប់ inference (ការសន្និដ្ឋានពីម៉ូដែលបានហ្វឹកហាត់រួច) មិនមែន training ទេ — គោលដៅរួមមានការចាត់ថ្នាក់រូបភាព ចាប់សញ្ញាវត្ថុ សម្គាល់សំឡេង និងម៉ូដែល transformer ប្រភេទដូចគាំទ្រកម្មវិធីជជែកអាណិកជនសិប្បនិម្មិត។ ការសិក្សានេះត្រូវបានពិនិត្យ និងបោះពុម្ពក្នុង Science ថ្ងៃទី ២១ តុលា ២០២៣ ដឹកនាំដោយក្រុមស្រាវជ្រាវ IBM — ជាករណីកម្រមួយដែលការអះអាងសំខាន់ៗឆ្លងកាត់ការត្រួតពិនិត្យអ្នកជំនាញមុនបោះពុម្ព (peer review) មិនមែនគ្រាន់តែសេចក្តីប្រកាសព័ត៌មានទេ។ IBM អះអាងថា NorthPole មានប្រសិទ្ធភាពថាមពលលឿនជាង GPU Nvidia V100 (ដំណើរការស្មើគ្នា ១២ណាណូម៉ែត្រ) រហូតដល់ ២៥ដង និងលឿនជាង ២២ដង ខណៈធៀបនឹង GPU ជំនាន់ថ្មីជាង H100 (ដំណើរការ ៤ណាណូម៉ែត្រ ទំនើបជាង) IBM អះអាងថាមានប្រសិទ្ធភាពថាមពលលឿនជាង ៥ដង ព្រមទាំងលឿនជាងឈីប TrueNorth ចាស់របស់ខ្លួនឯងផ្ទាល់រហូតដល់ប្រមាណ ៤.០០០ដង។

០៧BrainChip Akida៖ ឈីបស្ពាយឃីងសម្រាប់ Edge AI

ខុសពី Intel និង IBM ដែលមានរោងចក្រ ឬដៃគូផលិតកម្មធំ BrainChip ជាក្រុមហ៊ុន fabless តូច (ASX: BRN, អូស្ត្រាលី) ដែលផ្តល់អាជ្ញាបណ្ណ IP Akida ព្រមទាំងលក់ឈីបសម្រេច (AKD1000, AKD1500)។ ឈីបនេះជាបណ្តាញលោត (SNN) ពិតប្រាកដ ដូច Loihi ២ ដែរ ប៉ុន្តែផ្តោតលើទីផ្សារឧបករណ៍ព្រំដែន (edge) ថាមពលទាប មិនមែនប្រព័ន្ធទិន្នន័យធំដូច Hala Point ទេ។ BrainChip អះអាងថា Akida អាចរៀនសូត្របន្ថែមលើឈីបផ្ទាល់ (on-chip learning) ដោយមិនចាំបាច់ផ្ញើទិន្នន័យទៅហ្វឹកហាត់ឡើងវិញលើដាតាសិនធ័រពពក។

តាមឯកសារព័ត៌មានផលិតផលរបស់ក្រុមហ៊ុនផ្ទាល់ ឈីប AKD1500 (Edge AI Co-Processor) អះអាងសមត្ថភាពអតិបរមា ៨០០ effective GOPS ក្នុងកម្រិតថាមពលតិចជាង ១ មិល្លីវ៉ាត់ក្នុងមួយ GOP ដោយផ្សព្វផ្សាយថាមាន «ប្រសិទ្ធភាពរូបភាព/វិនាទី/វ៉ាត់ គ្មានគូប្រៀប»។ នេះជាការអះអាងទីផ្សាររបស់ក្រុមហ៊ុនផ្ទាល់ ក្រោមលក្ខខណ្ឌសាកល្បងផ្ទាល់ខ្លួន មិនមែនស្តង់ដារឧស្សាហកម្មឯករាជ្យទូទៅដូច MLPerf ដែលប្រើប្រៀបធៀបជីភីយូនោះទេ — ជាការកម្រិតដែលអនុវត្តលើឈីបផ្សេងទៀតស្ទើរតែទាំងអស់ក្នុងអត្ថបទនេះផងដែរ។ ទីផ្សារគោលដៅរបស់ Akida រួមមាន IoT ឧស្សាហកម្ម (ការថែទាំបង្ការ) រថយន្តជំនួយបើកបរ (ADAS) ដ្រូន មនុស្សយន្ត ឧបករណ៍សុខភាព និងផ្ទះឆ្លាតវៃ — សុទ្ធតែជាភារកិច្ចចង្អៀត សញ្ញាតិចតួច ថាមពលទាប ខុសពីទិន្នន័យធំដែលដាតាសិនធ័រធម្មតាដោះស្រាយ។

០៨កិច្ចខិតខំប្រឹងប្រែងផ្សេងទៀត៖ SpiNNaker ២ និងក្រុមហ៊ុនតូចៗ

ក្រៅពី Intel, IBM និង BrainChip មានកិច្ចខិតខំប្រឹងប្រែងសាធារណៈផ្សេងទៀតជាច្រើន។ SpiNNaker ២ ជាប្រព័ន្ធជំនាន់ទីពីរបន្តពី Manchester (ដឹកនាំដោយ Steve Furber) អភិវឌ្ឍ និងលក់ដោយ SpiNNcloud Systems ដែលបំបែកចេញពី Dresden ឆ្នាំ ២០២១។ ឈីបនីមួយៗមានស្នូល ARM ចំនួន ១៥២ រួមឧបករណ៍បង្កើនល្បឿនសម្រាប់ទាំងម៉ូដែលលោត និងបណ្តាញធម្មតា។ ក្រុមហ៊ុនប្រកាសថាប្រព័ន្ធពាណិជ្ជកម្មធំបំផុតរបស់ខ្លួនអាចត្រាប់តាមនឺរ៉ូនរហូតដល់ ១០ ពាន់លាន (ប្រមាណមួយភាគដប់ខួរក្បាលមនុស្ស តាមការប្រៀបធៀបផ្ទាល់ខ្លួនក្រុមហ៊ុន) ជាមួយសមត្ថភាព ០,៣ exaops សម្រាប់ AI ធម្មតា ប្រកាសនៅ ISC High Performance ក្រុងហាំប៊ូគ ឧសភា ២០២៤។ លោក Hector Gonzalez សហស្ថាបនិកថ្លែងថា ខួរក្បាលមនុស្សប្រើថាមពលត្រឹមតែ ២០ វ៉ាត់ ដើម្បីសម្រេចអ្វីដែល AI សព្វថ្ងៃគ្រាន់តែសុបិន្តចង់បាន — ជាការប្រៀបធៀបញឹកញាប់ក្នុងឧស្សាហកម្មនេះ មិនមែនការរកឃើញវិទ្យាសាស្ត្រថ្មីទេ។

ក្រៅពីនេះ មានក្រុមហ៊ុន និងមន្ទីរពិសោធន៍ធ្វើការលើឈីបព្រំដែនកម្រិតទាបជាងទៀត៖ Innatera (ហូឡង់) និង SynSense (ស្វីស) អភិវឌ្ឍឈីបលោតកម្រិតថាមពលទាបខ្លាំង សម្រាប់ដំណើរការជាមុនលើសញ្ញាឧបករណ៍ចាប់ (ការឮ ចលនា រ៉ាដារ) — ក្រុមហ៊ុនទាំងពីរនៅដំណាក់កាលដើម ព័ត៌មានសាធារណៈមានកម្រិត។ ចំណែកនៅវិស័យសិក្សា គម្រោង BrainScaleS របស់ Heidelberg (អាល្លឺម៉ង់) ក៏ជាផ្នែកនៃ Human Brain Project ប្រើសៀគ្វី analog ជំនួសឌីជីថល — បញ្ជាក់ថាវិស័យនេះមិនមែនកម្មសិទ្ធិឯកជនក្រុមហ៊ុនប៉ុណ្ណោះទេ។

០៩ការអះអាងប្រសិទ្ធភាព៖ អ្វីខ្លះបានផ្ទៀងផ្ទាត់ដោយឯករាជ្យ?

ចំពោះតួលេខប្រសិទ្ធភាព និងល្បឿនស្ទើរតែទាំងអស់ខាងលើ (Intel ចំពោះ Loihi ២ និង Hala Point, IBM ចំពោះ NorthPole, BrainChip ចំពោះ Akida) សុទ្ធតែជាតួលេខដែលក្រុមហ៊ុនផ្ទាល់រាយការណ៍ ក្រោមលក្ខខណ្ឌដែលក្រុមហ៊ុននីមួយៗជ្រើសរើសខ្លួនឯង — ជាការអនុវត្តធម្មតារបស់ឧស្សាហកម្ម ប៉ុន្តែមិនទាន់ស្មើនឹងលទ្ធផលសាកល្បងស្តង់ដារឯករាជ្យភាគីទីបីដូច MLPerf ដែលប្រៀបធៀបជីភីយូឲ្យត្រឹមត្រូវឆ្លងក្រុមហ៊ុននោះទេ។

ការផ្ទៀងផ្ទាត់ឯករាជ្យបំផុតដែលមាននាពេលនេះ ស្ថិតនៅកម្រិតឯកសារស្រាវជ្រាវសម្រាប់ឈីបជាក់លាក់ខ្លះ — ស្ថាបត្យកម្ម NorthPole និងវិធីសាស្ត្ររង្វាស់សំខាន់ៗ ត្រូវបានពិនិត្យដោយអ្នកជំនាញ (peer review) មុនបោះពុម្ពក្នុង Science ដូចករណី TrueNorth ២០១៤ដែរ ប៉ុន្តែផ្តោតលើវិធីសាស្ត្រ និងតក្កវិជ្ជា មិនមែនការចម្លងលទ្ធផលដោយមន្ទីរពិសោធន៍ក្រៅឯករាជ្យទាំងស្រុងឡើយ។ ចំណែកឯការវាយតម្លៃវិស័យទាំងមូល លោកស្រី Catherine Schuman និងសហការីនៃ Oak Ridge (ORNL) បានបោះពុម្ពការត្រួតពិនិត្យក្នុង Nature Computational Science ខែមករា ២០២២ ក្រោមចំណងជើង «Opportunities for neuromorphic computing algorithms and applications» សន្និដ្ឋានថា កិច្ចខិតខំប្រឹងប្រែងភាគច្រើនកន្លងមកបានផ្តោតលើផ្នែករឹង (hardware) ខណៈក្បួនដោះស្រាយ និងកម្មវិធីអនុវត្តជាក់ស្តែងនៅយឺតយ៉ាវជាងឆ្ងាយ។ របាយការណ៍ «2022 roadmap on neuromorphic computing and engineering» ដឹកនាំដោយលោក Dennis Christensen ជាមួយអ្នកនិពន្ធរួមច្រើនស្ថាប័ន (Neuromorphic Computing and Engineering) ក៏បញ្ជាក់ស្រដៀងគ្នា ចាត់ទុកជាឯកសារវាយតម្លៃឯករាជ្យ (ពហុមន្ទីរពិសោធន៍ មិនមែនក្រុមហ៊ុនតែមួយ) ដែលត្រូវបានយោងច្រើនបំផុតមួយក្នុងវិស័យនេះ។

១០កម្រិតកម្មវិធី៖ ម៉ូដែលកម្មវិធីមិនទាន់ពេញវ័យ

ក្រៅពីបញ្ហាការផ្ទៀងផ្ទាត់ឯករាជ្យ អ្នកស្រាវជ្រាវក៏ចង្អុលបង្ហាញភាពមិនទាន់ពេញវ័យនៃម៉ូដែលកម្មវិធីខ្លួនឯង។ អត្ថបទស្រាវជ្រាវ «Neuromorphic Programming» ដោយលោក Steven Abreu (Groningen) និងលោក Jens Pedersen (KTH ស៊ុយអែត) បញ្ជាក់ថា វិស័យនេះមិនទាន់មាន «ម៉ូដែលអរូបីទូទៅដែលទទួលស្គាល់ជាសាកល» ខុសពីទ្រឹស្តីគណនាឌីជីថលធម្មតាដែលមានមូលដ្ឋានរឹងមាំរាប់ទសវត្សរ៍។ អ្នកនិពន្ធកំណត់ភាពមិនចុះសម្រុងគ្នាចម្បងប្រាំរវាងឈីបប្រព័ន្ធប្រសាទ និងកុំព្យូទ័រធម្មតា៖ ពេលវេលាបន្តលំដាប់ (continuous time) ធៀបនឹងចង្វាក់នាឡិកា ការផ្លាស់ប្តូរផ្នែករឹងអំឡុងពេលដំណើរការ (plasticity) លក្ខណៈចៃដន្យ (stochasticity) ព័ត៌មានបែងចែកមិនកណ្តាល (decentralization) និងសមត្ថភាពអានស្ថានភាពខាងក្នុងមានកម្រិត (unobservability) ជាពិសេសលើឈីប analog។

ដោយសារខ្វះឧបករណ៍កម្មវិធីស្តង់ដារ កម្មវិធីលើឈីបប្រព័ន្ធប្រសាទបច្ចុប្បន្នភាគច្រើននៅតែខ្ចីបច្ចេកទេសពីការរៀនសូត្រស៊ីជម្រៅធម្មតា — ដោយបំប្លែងបណ្តាញធម្មតាដែលបានហ្វឹកហាត់រួច ឲ្យទៅជាបណ្តាញលោត (ANN-to-SNN conversion) ដែលអ្នកនិពន្ធកត់សម្គាល់ថា «អាចធ្វើបាន ប៉ុន្តែជាធម្មតាមិនល្អប្រសើរបំផុតទេ»។ ជាលទ្ធផល ភារកិច្ចដែលបានបង្ហាញអត្ថប្រយោជន៍ច្បាស់ជាងគេគឺទិន្នន័យតាមព្រឹត្តិការណ៍ ដ៏កម្រ ថាមពលទាប — ការចាប់ពាក្យគន្លឹះ សញ្ញារំញ័រ ចលនាមនុស្សយន្តសាមញ្ញ ឬបញ្ហាក្រាហ្វ/optimization ជាក់លាក់ — មិនមែនគុណម៉ាទ្រីសក្រាស់ណែន បាច់ធំដែលគ្រប់គ្រងទីផ្សារ AI សព្វថ្ងៃ (ការហ្វឹកហាត់ម៉ូដែលភាសាធំ ការសន្និដ្ឋានលើបាច់រូបភាពធំ) ដែលជីភីយូនៅតែជាឧបករណ៍ត្រូវបានធ្វើឲ្យប្រសើរបំផុត — ស្របនឹងសេចក្តីសន្និដ្ឋានរបស់លោកស្រី Schuman ថា ផ្នែករឹងវិវត្តលឿនជាងក្បួនដោះស្រាយ និងកម្មវិធីច្រើន។

• ស័ក្តិសមល្អ (តាមអក្សរសាស្ត្របច្ចេកទេស)៖ សញ្ញាតាមពេលវេលា ដ៏កម្រ ថាមពលទាប ព្រំដែន
• ស័ក្តិសមល្អ៖ បញ្ហាក្រាហ្វ ការស្វែងរកផ្លូវ optimization ជាក់លាក់

• មិនទាន់ស័ក្តិសមទេ៖ ការហ្វឹកហាត់ម៉ូដែលភាសាធំ ការគណនាបាច់ធំដែលគ្រប់គ្រងទីផ្សារ AI សព្វថ្ងៃ

១១សេចក្តីសង្ខេប៖ អ្វីជាការអះអាង អ្វីជាការផ្ទៀងផ្ទាត់

ដើម្បីសង្ខេបគម្លាតរវាងការអះអាង និងអ្វីបានផ្ទៀងផ្ទាត់ខាងលើ តារាងខាងក្រោមប្រៀបធៀបកិច្ចខិតខំប្រឹងប្រែងសំខាន់ៗក្នុងអត្ថបទនេះ ដោយមិនចាត់ចំណាត់ថាណាមួយ «ប្រសើរជាង» ព្រោះមិនទាន់មានស្តង់ដារឯករាជ្យឆ្លងស្ថាបត្យកម្មនៅឡើយ (ផ្នែក I)៖

១២សំណួរញឹកញាប់

១៣ប្រភព

1. Intel — Loihi 2 product brief (PDF)
2. Intel Newsroom — Hala Point announcement
3. Sandia National Laboratories — 1.15 billion artificial neurons arrive
4. IEEE Spectrum — How IBM got brainlike efficiency from TrueNorth
5. IEEE Spectrum — Neuromorphic computing, IBM NorthPole
6. Science — Neural inference at the frontier of energy, space, and time
7. Nature News — ‘Mind-blowing’ IBM chip speeds up AI
8. Nature Computational Science — Schuman et al., Opportunities for neuromorphic computing
9. IOPscience — 2022 roadmap on neuromorphic computing and engineering
10. arXiv — Neuromorphic Programming: Emerging Directions for Brain-Inspired Hardware
11. IEEE Spectrum — Neuromorphic computing, SpiNNaker2
12. TU Dresden — SpiNNcloud supercomputer launch
13. BrainChip — Chips product page
14. BrainChip — AKD1500 product brief (PDF)
15. Open Neuromorphic — Neuromorphic hardware guide

📷 រូបភាពក្នុងអត្ថបទនេះ មានប្រភព និងឥណទានម្ចាស់កម្មសិទ្ធិនៅក្រោមរូបភាពនីមួយៗ។ ចុចលើរូបភាព ដើម្បីមើលទំហំធំ។

✓ ផ្ទៀងផ្ទាត់ជាមួយប្រភពស្នូល ១៥ ប្រភព