I ricercatori del chip Tianjic hanno voluto provare la bontà della nuova architettura FCore, che abbraccia in un’unica struttura i due approcci più largamente utilizzati nel campo dell’IA, per manovrare una bici a guida completamente autonoma.

Se già di per se il risultato può risultare straordinario agli occhi di chi lo osserva, la vera magia è nel processore utilizzato per elaborare i differenti algoritmi di intelligenza artificiale che lavorano all’unisono per poter arrivare al risultato mostrato in video.

Il chip Tianjic è sviluppato con una nuova architettura chiamata FCore, composta da circa 40.000 unità computazionali singole ed organizzate in una maglia 2D di 156 FCore. Il processo di fabbricazione è a soli 28 nanometri, per cui non è neanche il più efficiente utilizzato: basta pensare che i chip di terza generazione Ryzen utilizzano un processo a 7nm, molto più efficiente. Nella sua configurazione, riesce a trasferire 600GB/s internamente ed effettuare 1.3 Tera di operazioni al secondo con un clock a 300 MHz.

Il vero asso nella manica però è la sua efficienza computazionale e flessibilità: le sue performance utilizzando vari algoritmi IA utilizzati con le schede NVIDIA Titan-Xp sono 1.6-100 migliiori, e non è finita qui. Se analizziamo il grafico performance per Watt, ovvero un’analisi dell’utilizzo energetico per ciascuna operazione, il risultato è fino a 10.000 volte più efficiente, con il vantaggio che il chip Tianjic riesce ad utilizzare tutti i tipi di algoritmi per IA invece che solo alcuni, come capita nei processori specializzati che puntano ad alte performance e contenuto consumo energetico.

Ci sono infatti due possibili approcci per quanto riguarda l’implementazione degli algoritmi di intelligenza artificiale: layered calculations (calcoli a strati) e spiking communication (comunicazione a picchi).

Il primo approccio utilizza differenti strati di unità di calcolo, le quali una volta processati i dati inviano i risultati al prossimo strato utilizzando dati in codice binario: le singole unità devono inoltre tenere traccia delle comunicazioni con le altre unità e quanto peso assegnare a ciascuno dei propri input.

Il secondo approccio invece si rifà direttamente alla biologia, con “picchi”  di attività al posto dei dati: pensiamo ad esempio all’eccitazione elettrica delle sinapsi del nostro cervello. Le unità comunicano in modo analogo attraverso picchi di attività, ma i dati che devono essere ricordati sono differenti: qui conta di più lo stato presente e passato dopo il picco di attività. Spesso queste unità sono allocate in grandi network ma senza una struttura ben definita.

Entrambi queste approcci vengono utilizzati per lo sviluppo di algoritmi di Intelligenza Artificiale, perché problemi differenti possono essere risultati più efficacemente utilizzando una metodologia rispetto ad un’altra. Pensiamo ad esempio a come rendere autonoma una bicicletta mentre segue il ricercatore del video, cercando di suddividere il problema in blocchi.

Ci sarà ad esempio bisogno di riconoscere gli oggetti come gli ostacoli da evitare attraverso una rete neurale, mentre un’altra sarà adibita al tracciamento del ricercatore da seguire. Una rete neurale spiking sarà necessaria per l’attivazione dei comandi vocali, e un’altra rete a strati è adibita per bilanciare la bicicletta in modo dinamico durante il suo percorso. Infine, tutti questi input devono essere coordinati da un’ultima rete neurale.

Grazie alla possibilità di utilizzare entrambi i tipi di algoritmi sul processore Tianjic il tutto è realizzabile utilizzando un singolo chip: le reti neurali di tipo layered o spiking riescono a comunicare tra di loro, nonostante input e output siano differenti, perchè il chip è progettato per poter registrare in ingresso ed uscita dati in codice binario (layered) o in picchi (spiking). Questo consente di avere la massima flessibilità architetturale in fase di progettazione e soprattutto di avere  un’alta efficienza: non c’è bisogno di “tradurre” i risultati per alimentare i processi di un algoritmo IA rispetto ad un altro perché ci pensa già il chip!

Ovviamente il meccanismo di funzionamento è spiegato in termini molto semplici per renderlo comprensibile al più vasto pubblico possibile, ma se siete interessati potete leggere la ricerca pubblicata su Nature.