Energiezuinige AI-chip detecteert hartafwijkingen

Een doorbraak waardoor artificial intelligence (AI)-chips vele malen energiezuiniger kunnen werken, noemen CWI-onderzoekers het. Dankzij een wiskundige doorbraak in het rekenen met zogeheten gepulste neurale netwerken kunnen speciale AI-chips spraak, gebaren en ECG’s een factor twintig tot duizend energiezuiniger herkennen dan traditionele AI-technieken. Energiezuinige chips zijn belangrijk om AI toepasbaar te maken in mobiele, draagbare chips.

De resultaten van het onderzoek van CWI samen met Stichting Interuniversitair Micro-Elektronica Centrum (IMEC) zijn gepubliceerd in het wetenschappelijke tijdschrift Nature Machine Intelligence. Het onderzoek is onderdeel van het NWO Perspectief-programma ‘Efficient Deep Learning’.

Energiebesparing

In het afgelopen decennium heeft AI steeds meer alledaagse toepassingen gekregen, onder andere voor het herkennen van beeld en gesproken woord. Dat gebeurt met diepe neurale netwerken, die een sterk vereenvoudigde nabootsing zijn van de manier waarop het menselijk brein informatie verwerkt. Voor mobiele toepassingen kost het uitvoeren van huidige AI-modellen echter vaak te veel energie. Het ontwikkelen van energiezuinige AI is daarom steeds belangrijker geworden.

Een van de manieren om AI-toepassingen energiezuiniger te maken, is om de neurale netwerken beter te laten lijken op die van het menselijk brein. Klassieke neurale netwerken gebruiken signalen die continu zijn en wiskundig makkelijk hanteerbaar. Gepulste neurale netwerken rekenen met pulsjes, wat veel meer lijkt op wat er in het brein gebeurt en minder energie kost, maar wat als nadeel heeft dat de signalen discontinu zijn en wiskundig moeilijker hanteerbaar. Voor dat probleem hebben de onderzoekers echter een wiskundige oplossing gevonden. CWI-onderzoeker Bohté: “Wij hebben ons computeralgoritme getest op drie benchmarks. Deze benchmarks bestaan uit testverzamelingen van een stuk of tien gebaren, een reeks van woorden en een continu ECG-signaal. Ons algoritme presteert minstens even goed, maar veel energiezuiniger dan traditionele diepe neurale netwerken. In theorie winnen we een factor honderd tot duizend.”

Breincomputer

Om algoritmen te gebruiken in alledaagse toepassingen, zijn speciale, neuromorfe computerchips nodig. De architectuur van deze chips lijkt meer op de biologische architectuur van het menselijk brein dan die van traditionele computerchips. Bohté: “Onze onderzoekspartner IMEC heeft op basis van onze algoritmen een speciale neuromorfe chip gemaakt met 336 gepulste neuronen: de μBrain-chip. Wanneer we ons algoritme door deze speciale chip laten uitvoeren, winnen we een factor twintig aan energieverbruik. Ten opzichte van de theoretische energiewinst ligt de energiewinst in de praktijk altijd lager door het converteren van digitale naar analoge signalen en omgekeerd, en door het inlezen van data. Maar een factor twintig aan energiewinst is nog steeds veel. Voor het detecteren van hartafwijkingen betekent dit dat je een ECG-registrerende chip kunt implanteren en dat die een jaar lang op een enkele batterij blijft werken.”