Introduzione

LOOPUS è una grande innovazione nei sistemi di elaborazione, in quanto consiste in una soluzione scalabile, a zero latenza, a basso consumo energetico per il machine learning e l’analisi di big data tramite acceleratori analogici in memoria. In particolare consiste in acceleratori analogici per il calcolo algebrico, che rendono possibile il machine learning e l’analisi di big data in un solo clic.

Caratteristiche Tecniche

Loopus è un innovativo acceleratore hardware per il machine learning (ML) e l’elaborazione di big data. È stato sviluppato un nuovo circuito elettronico per addestrare algoritmi ML, tra cui regressioni lineari/logistiche, reti neurali e page ranking in un unico passaggio. Il circuito è basato su memorie analogiche non volatili e sistemi di retroazione (da cui il nome Loopus).

L’implementazione degli algoritmi ML è divisa in due fasi: allenamento e inferenza. Il primo consiste nell’inviare un database noto ad una rete, insegnando ad esso, ad esempio, come classificare gli input. Questo è realizzato con algoritmi dispendiosi in termini di tempo in grado di ottimizzare i parametri di rete per un dato problema.

È stato sviluppato il concetto di loop computing per accelerare la fase di training per il cloud ed edge computing, risparmiando così tempo e costi per i data center e permettendo bassa potenza  di elaborazione per l’intelligenza artificiale (AI).

Possibili Applicazioni

• Analisi di big data;
• Machine learning.

Vantaggi

• Computazione analogica in memoria, in cui l’analisi dei dati viene eseguita direttamente nella memoria analogica senza necessità di trasferire i dati;
• Moltiplicazione fisica del vettore-matrice in un circuito XP grazie alla legge di Kirchoff e alla legge di Ohm;
• Iterazione fisica grazie al ciclo di feedback invece dell’iterazione numerica dispendiosa in termini di tempo.