Neuromorfinė skaičiavimas, paremtas smegenų įkvėptais impulsiniais neuroniniais tinklais (SNN, Spiking Neural Networks) ir įvykiais grindžiamu apdorojimu, tampa viena iš perspekviausių alternatyvų tradicinėms architektūroms. Tradiciniams giliojo mokymosi tinklams (DNN) susiduriant su didelėmis energijos sąnaudomis kraštiniuose įrenginiuose (edge AI), biologiniais procesais paremti sprendimai siūlo iš esmės kitokį požiūrį.

Kraštinio dirbtinio intelekto taikymai – nuo autonominių transporto priemonių ir daiktų interneto (IoT) jutiklių iki nešiojamų medicinos prietaisų – reikalauja realaus laiko duomenų apdorojimo, dažniausiai telpančio į mažesnį nei 1 vatų galios biudžetą. Įprastiems skaičiavimams taikomas FLOPS/W (flopping operations per second per watt) rodiklis neuromorfinėms sistemoms netinka. Čia būtinos naujos vertinimo metodikos, atsižvelgiančios į laikinę dinamiką bei impulsinius signalus.

*NeuEdge* sistemos proveržis

Vienas iš naujausių pavyzdžių – NeuEdge sistema, sujungianti adaptyvius impulsinius neuroninius tinklus ir prie aparatūros pritaikytą optimizavimą. Šioje sistemoje pritaikyta kodavimo schema leido pasiekti patikimą funkcijų atvaizdavimą panaudojant 4,7 karto mažiau impulsų nei įprasti metodai.

Praktiniai bandymai parodė apčiuopiamą skaičiavimo efektyvumą. NeuEdge architektūra pasiekė 847 GOp/s/W energijos efektyvumą ir 2,3 ms vėlinimą kraštiniuose įrenginiuose. Testuojant Intel Loihi 2 ir IBM TrueNorth procesoriuose, energijos sąnaudos buvo 312 kartų mažesnės, palyginti su grafikų procesoriais (GPU), bei 89 kartus mažesnės nei įprastų neuroninių tinklų, veikiančių centriniuose procesoriuose (CPU).

Sistemoje įdiegtas adaptyvaus slenksčio mechanizmas dinamiškai reguliuoja neuronų aktyvavimąsi pagal įvesties statistiką. Tai leidžia sumažinti energijos sąnaudas 67 procentais, išlaikant 96,2 procento klasifikavimo tikslumą. Neoptimizuotas tinklų perkėlimas dažnai užtikrina tik 30–50 procentų aparatūros panaudojimą, tačiau NeuEdge pritaikyta metodika leido pasiekti 89 procentų neuromorfinių procesorių apkrovą.

Medžiagos ir energijos vertinimo iššūkiai

Neuromorfinės įrangos sektoriuje vystomos įvairios technologinės kryptys – nuo memristorių bei spintronikos komponentų iki fotoninių neuroninių tinklų. Kiekviena iš šių krypčių pasižymi savitais pranašumais siekiant didesnio apdorojimo greičio ir integracijos tankio.

Priešingai nei tradicinėse sistemose, neuromorfinės architektūros naudoja išretėjusio aktyvavimo modelius bei laikinį kodavimą. Tai leidžia perduoti informaciją minimaliomis energijos sąnaudomis. Pavyzdžiui, IBM savo sistemose taiko laikrodžio signalo atjungimo (clock gating), maitinimo atjungimo (power gating) bei dinaminio įtampos keitimo metodus, pritaikytus būtent impulsiniams tinklams.

Ribos lieka. Neatsižvelgiant į pasiektą efektyvumą pačiame procesoriuje, bendras neuromorfinio skaičiavimo poveikis aplinkai apima ne tik tiesioginį elektros energijos vartojimą, bet ir gamybos bei logistikos metu susidarančius anglies dvideginio išmetimus. Taip pat kyla iššūkių siekiant standartizuoti vertinimo metodus, nes naujos neuromorfinės medžiagos reikalauja iš esmės kitokio požiūrio į energijos sąnaudų matavimą.

Realaus laiko jutiklių duomenų apdorojimas išlieka pagrindine sritimi, kurioje neuromorfinės architektūros demonstruoja praktinį pranašumą. Automobilių pramonė, sveikatos apsauga, buitinė elektronika ir pramoninė automatizacija palaipsniui pritaiko šiuos sprendimus, sudarydamos prielaidas tvaresnių kraštinių DI sistemų plėtrai.

Šaltiniai

  1. [1] [arXiv | 2026-11-03] Energy-Efficient Neuromorphic Computing for Edge AI: A Comprehensive Framework with Adaptive Spiking Neural Networks and Hardware-Aware Optimization
  2. [2] [Nature.com | 2026-11-03] III-nitride-based in-sensor computing enabled by interfacial polarization effects
  3. [3] [Eureka.patsnap.com | 2026-11-03] Quantify Energy Efficiency in Neuromorphic Computing Systems