Low-power Tsetlin Machine Integrated Circuits

Tsetlin Machine (TM) er en lovende logikk-basert maskinlæringsalgoritme utviklet av professor Ole-Christoffer Granmo ved Universitetet i Agder. TM er testet på mange forskjellige typer datasett og har vist konkurransedyktig ytelse sammenlignet med nevrale nett som er dominerende innenfor kunstig intelligens. Forskning på TM – både på algoritmenivå og på hardwarenivå – forgår nå på mange forskjellige universitetsmiljøer verden over. TM løsninger er basert på logikk, i motsetning til nevrale-nett som har behov for energikrevende aritmetikk. Med TM integrerte kretser (chips) kan man derfor oppnå svært energivennlige løsninger både innenfor “tingenes internett” og i mer komplekse maskinlæringssystemer. TM har i tillegg bedre egenskaper enn nevrale nett når det gjelder å forklare hvorfor algoritmen gir ut et svar. Også dette har sin bakgrunn i den logiske oppbygningen. I prosjektet "Laveffekt Tsetlin Machine integrerte kretser" er det utviklet en test-chip. Dette er en akselerator, dvs. en krets som kan utføre en krevende arbeidsoppgave for en prosessor i stedet for at oppgaven må gjøres av prosessoren basert på software. Denne måten å løse maskinlæringsanvendelser på er vanlig innenfor innebygget («embedded») elektronikk. Chipen foretar klassifisering av enkle bilder innenfor 10 kategorier, f.eks. kan den bestemme håndskrevne tall mellom 0 og 9. Med denne chipen er det testet ut flere grunnleggende byggeblokker for TM lavenergi maskinvareløsninger. Det er også funnet en teknikk som reduserer svitsjing i deler av de digitale kretsmodulene som utgjør TM chipen. Dette gir potensiale for å redusere energiforbruket ytterligere, og det er søkt om patent på denne teknikken. Måleresultatene fra chipen er svært lovende og viser energieffektivitet for de aktuelle testene som er bedre enn det som til nå er rapportert på forskningsfronten. Når det gjelder den patentsøkte løsningen, viser de foreløpige resultatene ikke så stor effektreduksjon som man hadde forventet, men med andre TM chip-arkitekturer kan man dra større nytte av dette. Utviklingen av chipen samt resultatene fra målingene, vil bli beskrevet i en artikkel. Denne vil bli sendt til en vitenskapelig journal for publisering. Resultatene fra chipen viser TM-algoritmens svært gode egenskaper både mht. ressursutnyttelse (chipareal), nøyaktighet mht. bildeklassifisering og ikke minst energieffektivitet. Videre er kretsen basert på en helt klassisk design-flyt for synkrone digitale integrerte kretser. Løsningen kan derfor enkelt inkluderes i større kretser. Chipen representerer en viktig milepæl for lav-effekt TM-maskinvare.

I prosjektet er det utviklet en integrert krets (chip) basert på Tsetlin Machine (TM) algoritmen. Målinger på denne chipen viser en energieffektivitet bedre enn det som er rapportert på forskningsfronten. Vi tror og håper dette vil vise det store potensialet TM har innenfor laveffekt elektronikk, typisk for anvendelser innenfor «tingenes internett» der enheter ofte er batteriopererte og det er strenge krav til effektforbruk. Også for større og mer komplekse maskinlæringssystemer kan TM-basert elektronikk gi betydelig besparelse i energiforbruk. Kretsen og måleresultatene vil bli beskrevet i en vitenskapelig artikkel som vil bli sendt til en journal tidlig i 2025. Vi mener chipen representerer en viktig milepæl for lav-effekt TM-maskinvare og danner et godt grunnlag for videre forskning og utvikling. Det er søkt om patent på en løsning som reduserer digital svitsjeenergi for den typen TM arkitektur som er benyttet i chipen. Patentet er til behandling. Aktiviteter knyttet til mulig lisensiering og videreføring av patentet, gitt at det innvilges, er startet. Det ble ikke observert så stor gevinst i effektreduksjon som vi hadde håpet, men løsningen som er patentsøkt kan benyttes også i andre TM kretsarkitekturer der den kan gi større gevinst.