211service.com
Hvorfor en chip, der er dårlig til matematik, kan hjælpe computere med at tackle sværere problemer
Din matematiklærer løj for dig. Nogle gange er det en god ting at få dine beløb forkert.
Sådan siger Joseph Bates, medstifter og administrerende direktør for Singular Computing, et firma, hvis computerchips er fastkablet til at være ude af stand til at udføre matematiske beregninger korrekt. Bed den om at tilføje 1 og 1, og du vil få svar som 2.01 eller 1.98.
Pentagon-forskningsbureauet DARPA finansierede skabelsen af Singulars chip, fordi den uklarhed kan være et aktiv, når det kommer til nogle af de sværeste problemer for computere, såsom at give mening med video eller andre rodede data fra den virkelige verden. Bare fordi hardwaren er dårlig, betyder det ikke, at softwarens resultat skal være det, siger Bates.
En chip, der ikke kan garantere, at enhver beregning er perfekt, kan stadig få gode resultater på mange problemer, men har brug for færre kredsløb og forbrænder mindre energi, siger han.
Bates har arbejdet med Sandia National Lab, Carnegie Mellon University, Office of Naval Research og MIT på test, der brugte simuleringer til at vise, hvordan S1-chippens upræcise operationer kan gøre visse vanskelige computeropgaver mere effektive. Problemer med data, der kommer med indbygget støj fra den virkelige verden, eller hvor der er behov for en tilnærmelse, passer bedst. Bates rapporterer lovende resultater for applikationer som radarbilleder i høj opløsning, udtrækning af 3D-information fra stereobilleder og dyb læring, en teknik, der har leveret et nyligt fremskridt inden for kunstig intelligens.
Denne chip kan ikke få sin aritmetik rigtig, men kan gøre computere mere effektive til vanskelige problemer som at analysere billeder.
I en simuleret test ved hjælp af software, der sporer objekter såsom biler i video, var Singulars tilgang i stand til at behandle frames næsten 100 gange hurtigere end en konventionel processor, der var begrænset til at lave korrekt matematik – mens den brugte mindre end 2 procent så meget strøm.
Bates er ikke den første til at forfølge ideen om at bruge håndbølget hardware til at knuse data mere effektivt, en forestilling kendt som tilnærmet computing (se 10 Breakthrough Technologies 2008: Probabilistic Chips). Men DARPAs investering i hans chip kan give den uklare matematikdrøm dens største prøve endnu.
Bates er ved at bygge en batch af fejltilbøjelige computere, der hver kombinerer 16 af sine chips med en enkelt konventionel processor. DARPA får fem sådanne maskiner engang denne sommer og planlægger at sætte dem online, så regerings- og akademiske forskere kan lege med. Håbet er, at de kan bevise teknologiens potentiale og lokke interesse fra chipindustrien.
DARPA finansierede Singulars chip som en del af et program kaldet På hovedet, som har til formål at opfinde nye, mere effektive måder at behandle videooptagelser på. Militære droner kan indsamle enorme mængder video, men det kan ikke altid downloades under flyvning, og den computerkraft, der er nødvendig for at behandle den i luften, ville være for omfangsrig.
Det vil kræve bemærkelsesværdige bedrifter af software og endda kulturel teknik for upræcis hardware at tage fart. Det er ikke let for programmører, der er vant til ideen om, at chips altid er superpræcise at tilpasse sig dem, der ikke er, siger Christian Enzo , en professor ved det schweiziske føderale teknologiske institut i Lausanne, som har bygget sine egne omtrentlige computerchips. Det bliver der brug for nye værktøjer til at hjælpe dem med, siger han.
Men Deb Roy, professor ved MIT Media Lab og Twitters ledende medieforsker, siger, at de seneste tendenser inden for databehandling tyder på, at omtrentlig databehandling kan finde et lettere publikum end nogensinde. Der er en naturlig resonans, hvis du behandler nogen form for data, der er støjende af natur, siger han. Det er blevet mere og mere almindeligt, efterhånden som programmører søger at udtrække information fra fotos og video eller får maskiner til at forstå verden og menneskelig adfærd, tilføjer han.