Новый процессор Intel Loihi использовался для исследования новых методов использования информации. В частности, мы проанализировали два типа данных (оптические и радиолокационные). Эти модальности данных и связанные с ними алгоритмы машинного обучения были использованы для демонстрации способности системы решать реальные задачи, такие как обнаружение и классификация объектов. Полностью цифровая архитектура Intel Loihi вдохновлена биологическими процессами и функциями мозга. Нейроморфные архитектуры, такие как Loihi, обещают повысить вычислительную эффективность для различных задач машинного обучения, открывая реальный путь внедрения во многие системы, например, бортовые вычисления для систем разведки, наблюдения и рекогносцировки, а также для будущих автономных транспортных средств и бытовой техники. С помощью текущего комплекта разработки программного обеспечения можно обучить модель искусственной нейронной сети в распространённом фреймворке глубокого обучения, таком как Keras, и квантовать веса модели для упрощенного, прямого переноса на аппаратное обеспечение Loihi. Анализируемые радиолокационные изображения включали набор целей из семи классов транспортных средств, который обрабатывался со скоростью 9,5 изображений в секунду и с общей точностью 90,1%. Оптические данные включали двоичный (два класса) и ещё один набор данных из девяти классов. Бинарный классификатор обрабатывал оптические данные со скоростью 12,8 изображений в секунду с точностью 94,0%. Оптические данные из девяти классов обрабатывались со скоростью 12,9 изображений в секунду с точностью 79,7%. Наконец, общая мощность системы составляла около 6 Вт, из которых около 0,6 Вт потреблялось нейроморфными ядрами. Энергия вывода, используемая для классификации каждого изображения, варьировалась от 14,9 до 63,2 мДж/изображение.
*Перевод выполнен с помощью нейросетей
Target Classification in Synthetic Aperture Radar and Optical Imagery Using Loihi Neuromorphic Hardware
Intel's novel Loihi processing chip has been used to explore new information exploitation techniques. Specifically, we analyzed two types of data (optical and radar). These data modalities and associated machine learning algorithms were used to showcase the ability of the system to address real world problems, such as object detection and classification. Intel's fully digital Loihi design is inspired by biological processes and brain functions. Neuromorphic architectures, such as Loihi, promise to improve computational efficiency for various machine learning tasks with a realizable path toward implementation into many systems, e.g., airborne computing for intelligence, surveillance and reconnaissance systems, and/or future autonomous vehicles and household appliances. With the current software development kit, it is possible to train an artificial neural network model in a common deep learning framework such as Keras and quantize the model weights for a simplistic, direct translation onto the Loihi hardware. The radar imagery analyzed included a seven-vehicle class target set, which was processed at a rate of 9.5 images per second and with an overall accuracy of 90.1%. The optical data included a binary (two classes), and another nine-class data set. The binary classifier processed the optical data at a rate of 12.8 images per second with 94.0% accuracy. The nine classes optical data was processed at a rate 12.9 images per second and 79.7% accuracy. Lastly, the system used ~6 Watts of total power with ~0.6 Watts being utilized by the neuromorphic cores. The inferencing energy used to classify each image varied between 14.9 and 63.2 millijoules/image.