Des universitaires de l’Université du Sussex ont mis au point une méthode de turbocompression des ordinateurs de bureau pour leur donner les mêmes capacités que des supercalculateurs d’une valeur de dizaines de millions de livres.
Le Dr James Knight et le professeur Thomas Nowotny de la School of Engineering and Informatics de l’Université du Sussex ont utilisé les dernières unités de traitement graphique (GPU) pour donner à un seul ordinateur de bureau la capacité de simuler des modèles de cerveau de taille presque illimitée.
Les chercheurs estiment que l’innovation, détaillée dans Science computationnelle de la nature, permettra à de nombreux autres chercheurs du monde entier de mener des recherches sur la simulation cérébrale à grande échelle, y compris l’investigation des troubles neurologiques.
Actuellement, le coût des supercalculateurs est si prohibitif qu’ils ne sont abordables que pour les très grandes institutions et agences gouvernementales et ne sont donc pas accessibles à un grand nombre de chercheurs.
En plus d’économiser des dizaines de millions de livres sur les coûts d’un supercalculateur, les simulations exécutées sur le PC de bureau nécessitent environ 10 fois moins d’énergie, ce qui présente également un avantage significatif en matière de durabilité.
Le Dr Knight, chercheur en informatique à l’Université du Sussex, a déclaré: «Je pense que le principal avantage de notre recherche est l’accessibilité. En dehors de ces très grandes organisations, les universitaires doivent généralement postuler pour obtenir même un temps limité sur un supercalculateur. à des fins scientifiques particulières, ce qui constitue un obstacle assez élevé à l’entrée, ce qui peut freiner de nombreuses recherches importantes.
«Notre espoir pour nos propres recherches est maintenant d’appliquer ces techniques à l’apprentissage automatique inspiré du cerveau afin que nous puissions aider à résoudre des problèmes dans lesquels les cerveaux biologiques excellent mais qui sont actuellement au-delà des simulations.
«Outre les progrès que nous avons démontrés en matière de connectivité procédurale dans le contexte du matériel GPU, nous pensons également qu’il existe également un potentiel pour développer de nouveaux types de matériel neuromorphique conçu à partir de zéro pour la connectivité procédurale. dans le matériel, ce qui pourrait conduire à des améliorations encore plus significatives du temps de calcul. «
La recherche s’appuie sur les travaux pionniers du chercheur américain Eugene Izhikevich qui a mis au point une méthode similaire pour la simulation cérébrale à grande échelle en 2006.
À l’époque, les ordinateurs étaient trop lents pour que la méthode soit largement applicable, ce qui signifie que la simulation de modèles cérébraux à grande échelle n’était jusqu’à présent possible que pour une minorité de chercheurs privilégiés d’avoir accès à des systèmes de supercalculateurs.
Les chercheurs ont appliqué la technique d’Izhikevich à un GPU moderne, avec environ 2000 fois la puissance de calcul disponible il y a 15 ans, pour créer un modèle de pointe du cortex visuel d’un Macaque (avec 4,13 × 106 neurones et 24,2 × 109 synapses) qui ne pouvait auparavant être simulé sur un supercalculateur.
Le simulateur de réseau neuronal à pointes accélérées par GPU des chercheurs utilise la grande quantité de puissance de calcul disponible sur un GPU pour générer « de manière procédurale » une connectivité et des poids synaptiques « en déplacement » lorsque des pics sont déclenchés – supprimant le besoin de stocker les données de connectivité en mémoire.
L’initialisation du modèle des chercheurs a pris six minutes et la simulation de chaque seconde biologique a pris 7,7 minutes à l’état fondamental et 8,4 minutes à l’état de repos – jusqu’à 35% de temps en moins qu’une simulation de supercalculateur précédente.
En 2018, un rack d’un supercalculateur IBM Blue Gene / Q initialisation du modèle a pris environ cinq minutes, et simuler une seconde de temps biologique a pris environ 12 minutes.
Les simulations à grande échelle de modèles de réseaux de neurones à pointes sont un outil important pour améliorer notre compréhension de la dynamique et, finalement, de la fonction des cerveaux. Cependant, même les petits mammifères tels que les souris ont des connexions synaptiques de l’ordre de 1 × 1012, ce qui signifie que les simulations nécessitent plusieurs téraoctets de données – une exigence de mémoire irréaliste pour une seule machine de bureau. «
Thomas Nowotny, professeur d’informatique, Université du Sussex
« Cette recherche change la donne pour les chercheurs en neurosciences computationnelles et en IA qui peuvent désormais simuler des circuits cérébraux sur leurs postes de travail locaux, mais elle permet également à des personnes extérieures au monde universitaire de transformer leur PC de jeu en un superordinateur et d’exécuter de grands réseaux de neurones. »
La source:
Référence du journal:
Knight, J, C & Nowotny, T. (2021) Simulations cérébrales accélérées par GPU plus grandes avec connectivité procédurale. Science computationnelle de la nature. doi.org/10.1038/s43588-020-00022-7.
