Neuromorphic Computing nell'Industrial Quality Control

Un nuovo paradigma nella computazione

Il Neuromorphic computing è una tecnologia ispirata all’efficienza e alla capacità di elaborazione del cervello umano che può potenziare le applicazioni industriali più complesse, soprattutto nel controllo qualità visivo in real-time. L’approccio di Reply garantisce vantaggi significativi in termini di consumo energetico, velocità e scalabilità.

Riproduzione del blueprint cerebrale

Il termine “neuromorphic” è scelto con precisione, poiché questa forma di calcolo mira a replicare l’intricata attività dei neuroni biologici in ogni aspetto significativo. A differenza del deep learning classico, dove il concetto di neurone è più astratto, i neuroni all’interno di un sistema neuromorfico possiedono un proprio senso distinto di timing e frequency.

L’operazione centrale si basa sul “spike”, o “firing event”. All’interno di un chip neuromorfico, i singoli neuroni spiking accumulano segnali in ingresso nel tempo, analogamente all’accumulo del potenziale di membrana nei loro corrispettivi biologici. Quando questa carica interna raggiunge una soglia specifica, il neurone genera uno spike, trasmettendo informazioni ad altri nodi della rete. Questo processo event-driven costituisce la base delle Spiking Neural Networks (SNNs), sistemi intrinsecamente dinamici e ricorrenti, particolarmente adatti all’elaborazione di dati dove la temporalità è fondamentale.

Core hardware architecture

L’hardware che rende possibile questo tipo di calcolo può essere ampiamente suddiviso in due categorie: sistemi fully asynchronous e sistemi partially asynchronous. In un sistema fully asynchronous, ogni core all’interno del chip opera con un proprio timing e frequency indipendenti, un design che rispecchia più fedelmente la natura sparsa ed efficiente dei calcoli cerebrali. Questa architettura è esemplificata dal Loihi 2 di Intel, attualmente uno dei chip neuromorfici più avanzati al mondo.

Al contrario, i sistemi partially asynchronous impiegano un’elaborazione sincrona all’interno dei singoli core, ma utilizzano protocolli asincroni per la comunicazione tra di essi. Questo modello ibrido può garantire significativi miglioramenti in termini di efficienza hardware e accelerazione delle prestazioni. Questo tipo di design hardware è implementato in due chip di rilievo: SpiNNcloud's SpiNNaker 2 e IBM TrueNorth.

Efficienza energetica senza precedenti

Un vantaggio principale dei sistemi neuromorphic è la loro straordinaria efficienza energetica. In contesti in cui il consumo di energia rappresenta un vincolo progettuale critico, questa tecnologia costituisce una svolta significativa. L’hardware neuromorfico può garantire un risparmio energetico fino a 100 volte rispetto alle CPU convenzionali e circa 30 volte rispetto alle GPU, rendendolo una soluzione praticabile per l'edge computing e le implementazioni AI su larga scala, dove l’energia è una risorsa preziosa.

Scalabilità e prestazioni potenziate

L’architettura del neuromorphic computing è intrinsecamente progettata per la scalabilità. Questi sistemi possono essere estesi a reti di dimensioni enormi, con piattaforme come Intel’s Hala Point in grado di gestire oltre un miliardo di neuroni, una scala che rappresenta una sfida significativa per i sistemi tradizionali. Questa scalabilità si accompagna a un notevole incremento delle prestazioni. Per i compiti di computer vision, questi sistemi possono raggiungere un’accelerazione dell’inferenza fino a 120 volte, consentendo decisioni complesse in tempo reale.

Acquisizione intelligente dei dati tramite Event Cameras

I principi del neuromorphic si estendono anche all’acquisizione dei dati tramite l’uso delle event cameras. A differenza delle fotocamere tradizionali, che catturano interi frame a intervalli fissi, registrando spesso dati ridondanti, le event cameras operano in maniera asincrona. Esse registrano dati solo quando viene rilevato un cambiamento nella luminosità di un pixel. Ciò genera un flusso di dati sparso ma altamente informativo, riducendo drasticamente le esigenze di archiviazione e di elaborazione. In un esempio pratico, un approccio basato sugli eventi ha ridotto un dataset da 32 gigabyte a soli 7 gigabyte.

Neuromorphic Computing nel Quality Control

Il settore esigente del controllo qualità visivo industriale rappresenta un’applicazione ideale per la tecnologia neuromorphic. Gli ambienti di produzione richiedono rilevamenti di difetti in tempo reale e ad alta precisione, un compito le cui esigenze stringenti in termini di velocità ed efficienza si allineano perfettamente con le capacità dei sistemi neuromorfici.

Per rispondere a questa necessità, i modelli AI consolidati vengono adattati al paradigma neuromorfico. Un esempio è Spiking-YOLO, una versione riprogettata del noto framework di rilevamento oggetti YOLO. Questo modello utilizza neuroni spiking per elaborare i dati visivi. L’architettura specifica impiegata in un progetto recente rappresenta un’implementazione altamente ottimizzata che combina strati computazionali per migliorare l’efficienza nel deployment su hardware neuromorfico.

Rilevamento multi-oggetto per la guida autonoma

In un’applicazione pratica focalizzata sul rilevamento multi-oggetto per la guida autonoma, un dataset di filmati di guida è stato convertito in un formato event-like utilizzando un simulatore. I risultati sono stati sorprendenti: mentre l’auto era in movimento, i dati basati sugli eventi catturavano il contesto completo dell’ambiente circostante, inclusi altri veicoli e il paesaggio. Tuttavia, nel momento in cui l’auto si fermava, le parti statiche della scena scomparivano dal flusso di dati, dimostrando il focus intrinseco del sistema sui cambiamenti rilevanti.

Il modello è stato inizialmente pre-addestrato sul dataset Common Objects in Context (COCO), per poi essere ulteriormente addestrato sul dataset multi-oggetto BDD. I test di inferenza iniziali sono stati condotti tramite un simulatore classico. La fase successiva dello sviluppo prevede il ri-addestramento del modello direttamente sui dati convertiti in formato event-based, sfruttando le capacità dell’hardware neuromorphic.

Prospettive sull’Intelligent Automation

Il Neuromorphic Computing è ideale per il deployment su edge devices, comuni negli ambienti industriali ma spesso soggetti a limitazioni significative di hardware e memoria. La combinazione di elevate prestazioni, basso consumo energetico e gestione efficiente della memoria rende i sistemi neuromorfici una soluzione perfetta per compiti come il real-time image recognition sul piano di produzione.

Reply immagina una linea di produzione in cui un’event camera monitora costantemente i prodotti, mentre un chip neuromorfico identifica istantaneamente le anomalie e avvisa il personale, operando all’interno dei vincoli stretti di un edge device. Sebbene questi algoritmi non siano ancora pronti per affrontare sfide cognitive altamente complesse, l’esperienza di Reply dimostra che le loro capacità attuali rappresentano già un passo significativo verso l’intelligent industrial automation.

Data Reply, come parte del Gruppo Reply, supporta i clienti nel diventare orientati ai dati. Data Reply è attiva in vari settori e aree di business e collabora intensamente con i clienti affinché possano ottenere risultati significativi attraverso l'uso efficace dei dati. A tal fine, Data Reply si concentra sullo sviluppo di piattaforme di analisi dei dati, soluzioni di machine learning e applicazioni in streaming - automatizzate, efficienti e scalabili - senza compromettere la sicurezza informatica.