Il professore di progettazione di processori per l'intelligenza artificiale presso la TUM ha già commissionato i primi prototipi al produttore di semiconduttori Global Foundries di Dresda. A differenza dei chip convenzionali, le unità di elaborazione e memoria dell'AI Pro sono integrate. Ciò è possibile perché il chip applica il principio del "calcolo iperdimensionale": questo significa che riconosce somiglianze e modelli senza bisogno di milioni di record di dati per apprendere.
Invece di mostrargli innumerevoli immagini di automobili, come avviene con il metodo di apprendimento profondo utilizzato nei chip AI convenzionali, questo chip combina dati eterogenei, come il fatto che un'auto ha quattro ruote, di solito viaggia su strada e può avere forme diverse. Come il nuovo chip, spiega il professor Amrouch, "anche gli esseri umani traggono conclusioni e imparano attraverso le somiglianze".
Un vantaggio fondamentale del pensiero simile al cervello: il risparmio energetico. Per l'addestramento su un compito di esempio, il nuovo chip ha consumato 24 microjoule, mentre chip comparabili ne richiedevano da dieci a cento volte di più: "un valore record", osserva il professor Amrouch. "Questa combinazione di architettura moderna del processore, specializzazione degli algoritmi ed elaborazione dati innovativa rende il chip AI qualcosa di speciale". Questo lo distingue anche dai chip versatili, come quelli del colosso industriale NVIDIA. "Mentre NVIDIA ha creato una piattaforma che si basa su dati cloud e promette di risolvere ogni problema, noi abbiamo sviluppato un chip AI che consente soluzioni personalizzate. C'è un mercato enorme in questo settore."
Chip neuromorfici: ispirati al cervello umano.
Il chip, di un millimetro quadrato, costa attualmente 30.000 euro. Con circa 10 milioni di transistor, non è denso o potente quanto i chip di NVIDIA, che vantano 200 miliardi di transistor. Ma non è questo che preoccupa maggiormente il professor Amrouch. Il suo team è specializzato in chip per l'intelligenza artificiale che eseguono l'elaborazione direttamente in loco, anziché dover inviare i dati al cloud per essere elaborati insieme a milioni di altri set di dati prima di essere restituiti. Ciò consente di risparmiare tempo e potenza di calcolo dei server e riduce l'impatto ambientale dell'IA.
I chip sono inoltre personalizzati per applicazioni specifiche. "Questo li rende molto efficienti", afferma l'esperto di chip Amrouch. Ad esempio, si concentrano sull'elaborazione della frequenza cardiaca e di altri dati vitali raccolti tramite smartwatch o dati di navigazione dei droni. Poiché questi dati personali e talvolta sensibili rimangono sul dispositivo, non ci sono problemi di stabilità della connessione Internet o di sicurezza informatica. L'esperto di chip ne è convinto: "Il futuro appartiene a chi possiede l'hardware".
Ulteriori informazioni:
Il professor Hussam Amrouch è entrato a far parte della TUM due anni fa. La Cattedra di Progettazione di Processori per l'IA è stata istituita nell'ambito dell'Agenda Tecnologica Bavarese. Ulteriori informazioni: https://www.hightechagenda.de/
Il professor Hussam Amrouch è inoltre attivamente coinvolto con l'Istituto di Robotica e Intelligenza Artificiale di Monaco (MIRMI). I suoi sviluppi nel campo dei chip sono rilevanti per la salute, l'ambiente e lo spazio. Ulteriori informazioni su MIRMI: https://www.mirmi.tum....artseite//
Pubblicazioni
Sandy Wasif, Paul Genssler e Hussam Amrouch. "Processore RISC-V iperdimensionale specifico per dominio per l'addestramento dell'IA edge." IEEE Transactions on Circuits and Systems I: Regular Papers (2025). https://ieeexplore.iee...t/10931124
Soliman, Taha, Swetaki Chatterjee, Nellie Laleni, Franz Müller, Tobias Kirchner, Norbert Wehn, Thomas Kämpfe, Yogesh Singh Chauhan e Hussam Amrouch. "Prima dimostrazione di una matrice di calcolo in memoria utilizzando FeFET a celle multilivello." Nature Communications 14, n. 1 (2023): 6348. https://www.nature.com...23-42110-y
Wei-Ji Chao, Paul R. Genssler, Sandy A. Wasif, Albi Mema, Hussam Amrouch, “End-to-end Hyperdimensional Computing with 24.65 µJ per Training Sample in 22 nm Technology,” in fase di revisione presso l'European Solid-State Electronics Research Conference (ESSERC). Preprint disponibile: https://go.tum.de/440497
