Minengin rahoitus tähtää lääkinnälliseen neuromorfiseen siruun

Mineng Technologyn – myös nimellä MinoTec esiintyvän yhtiön – ilmoittaman rahoituksen painopiste näyttää olevan kaupallistamisessa, ei tavanomaisen GPU-tyyppisen tekoälysirun kehitysohjelmassa. Varat on tarkoitus kohdistaa lääkinnällisten moduulien massatuotantoon ja iterointiin, fysiologisen suljetun säätösilmukan tekniikkaan sekä yhteistyöhön lääkintälaitevalmistajien kanssa. Saatavilla oleva kuvaus puhuu kymmenien miljoonien juanien oman pääoman rahoituksesta, ei yksiselitteisesti A-kierroksesta. Se ei myöskään esitä riippumatonta näyttöä noin 1 000-kertaisesta energiatehokkuudesta. 15

Mitä yhtiö rakentaa?

Mineng kuvaa rakentavansa pystysuuntaisesti integroitua ketjua: fysiologinen mittaus → tapahtumalaskenta → turvallinen säätely. Kokonaisuuteen kuuluvat monimuotoinen signaalinkeruu, pulssi- tai tapahtumakoodaus, seka-analoginen SNN-laskentaydin sekä ohjelmoitava, lääkinnälliseen käyttöön tarkoitettu interventioyksikkö, jossa on laitteistotason turvatarkastuksia. 15

Yhtiön mallissa asiakkaita ovat ennen kaikkea lääkintälaitevalmistajat. Se voi toimittaa niille siruja, moduuleja, ohjelmistokehityspaketteja (SDK), suunnittelutukea ja rekisteröintiin liittyvää tukea sen sijaan, että se keskittyisi valmiiden laitteiden myyntiin suoraan loppukäyttäjille. 15

Miksi SNN toimii eri tavalla kuin GPU tai NPU?

Tavallinen GPU- tai NPU-pohjainen inferenssi käsittelee dataa yleensä tasaisin väliajoin ja tekee tiheitä numeerisia tensorilaskuja, vaikka biosignaalissa ei tapahtuisi kliinisesti merkittävää muutosta. Minengin ehdottamassa mallissa olennaiset aaltomuodon muutokset muunnetaan erillisiksi piikeiksi eli tapahtumiksi. Laskentaa aktivoidaan vasta, kun tällainen tapahtuma syntyy; muulloin järjestelmä voi pysyä syvässä virransäästötilassa. 15

Ajatus jäljittelee löyhästi biologista hermostoa: neuronit viestivät harvakseltaan ja asynkronisesti, eivät jatkuvana, globaalin kellon tahdissa päivittyvänä liukulukudatana. Tapahtumapohjaisuus voi vähentää sekä itse laskentaa että datan siirtelyä, säilyttää ajoitustietoa luontevasti ja mahdollistaa nopean reagoinnin lyhyisiin muutoksiin. Tämä on kiinnostavaa erityisesti heikoissa, kohinaisissa ja jatkuvissa fysiologisissa aikasarjoissa. 14

Energiatehokkuus ei silti ole piikkineuroverkon automaattinen ominaisuus. Se riippuu mallista, sirun toteutuksesta, syötteestä, tarkkuusvaatimuksesta ja siitä, mitä virrankulutukseen lasketaan mukaan. Esimerkiksi eräs asynkroninen mittaus- ja laskentasiru raportoi 0,42 milliwatin lepotilan prosessoritehon, ja tutkimuskirjallisuudessa on raportoitu joissakin käyttötapauksissa monikymmen- tai jopa kertaluokkien suuruisia inferenssienergian säästöjä. Tämä ei kuitenkaan yksin vahvista Minengin mahdollista noin 1 000-kertaista väitettä ilman avointa vertailuasetelmaa, mallia, tarkkuustavoitetta ja mittausrajausta. 37

Kohteena EEG, EKG ja muut biosignaalit

Mineng nimeää käyttökohteiksi EEG-, EKG- ja EMG-aaltomuotojen seurannan, kroonisten sairauksien pitkäaikaisen kotiseurannan, ei-invasiiviset aivo–tietokonerajapinnat, kuntoutuksen suljetun säätelyn, uneen liittyvän autonomisen hermoston säätelyn, liikuntakuntoutuksen sekä kroonisen kivun kotihoitoon tarkoitetut interventiot. 15

Teknisesti EKG ja EEG sopivat hyvin SNN-laskentaan, sillä niissä kiinnostavat usein juuri ajalliset kuviot ja poikkeamien nopeat muutokset. Tutkimuksissa on esitetty piikkipohjaista puettavaa EKG-luokittelua sekä neuromorfisia järjestelmiä EEG-pohjaiseen kohtausennustamiseen, rytmihäiriöiden tunnistukseen ja EMG-eleluokitteluun. 48

Kuvantamisen esiseulonta on mahdollinen laajempi reunatekoälyn käyttötapa, mutta se ei nouse rahoituskuvauksessa Minengin keskeiseksi julkistetuksi tuotetavoitteeksi. Vahvempi näyttö koskee fysiologisten signaalien mittausta, seurantaa ja suljetun säätelyn ratkaisuja. 15

Miksi laskenta laitteen reunalla voi olla tärkeää?

Pienitehoinen ja vähän lämpöä tuottava siru voisi ajaa alustavaa hälytystä tai priorisointimallia suoraan kannettavassa monitorissa. Tällöin ratkaisu ei välttämättä tarvitsisi tehokasta työasemaa, jatkuvaa pilviyhteyttä tai jatkuvasti mitattujen, arkaluonteisten biosignaalien siirtämistä verkkoon.

Tämä voisi pidentää akkukestoa, vähentää jäähdytyksen tarvetta, nopeuttaa paikallista päätöksentekoa ja parantaa toimintavarmuutta heikon verkkoyhteyden tilanteissa, kuten ambulanssissa, kenttäsairaalassa tai syrjäisellä vastaanotolla. Kyse on kuitenkin teknisestä perustelusta, ei näytöstä siitä, että Minengin laitteet olisivat kliinisesti validoituja juuri näissä ympäristöissä. Neuromorfisen biolääketieteellisen laskennan tutkimus tukee yleistä ajatusta vähäenergisestä, dynaamisesta paikallisesta analyysistä. 23

Mihin Mineng sijoittuu neuromorfisessa kilpailussa?

Mineng on parhaiten nähtävissä kiinalaisena, lääkinnällisiin sovelluksiin erikoistuvana toimijana laajemmassa neuromorfisen laskennan kehityksessä. Sen tavoite ei vaikuta olevan yleiskäyttöinen tekoälykiihdytin, vaan energiarajoitteiseen reunalaskentaan suunnattu tapahtumapohjainen SNN-laitteisto.

Vertailukohtia tarjoavat Intelin Loihi-perhe, joka on ohjelmoitavaa asynkronista SNN-laskentaa ja sirulla tapahtuvaa oppimista tukeva tutkimusalusta, sekä IBM:n TrueNorth, digitaalisen tapahtumapohjaisen inferenssin tunnettu varhainen arkkitehtuuri. 56 Kiinassa myös Tianjic- ja Darwin-hankkeet osoittavat kotimaisen aivoinspiroidun laitteiston tutkimusta. Minengin erottava tekijä olisi väitetysti lääkintälaitekokonaisuus: fysiologinen koodaus, turvalogiikka, standardoidut moduulit ja sääntelyyn liittyvä integraatio, ei pelkkä neuronien tai synapsien määrä. 15

Kaupallinen epävarmuus on silti huomattava. SNN-mallien koulutustyökalut, tulosten toistettavuus, lääkintälaitteiden validointi, kliininen näyttö, kyberturvallisuus, valmistussaanto ja viranomaisluvat voivat ratkaista menestyksen siinä missä sirun energiatehokkuuskin. Mineng on kertonut liikevaihdosta ja yhteistyöstä, mutta käytettävissä oleva kuvaus ei sisällä riippumattomasti auditoituja siruvertailuja, kliinisiä tuloksia tai viranomaislupatietoja. 15