Mineng rozwija neuromorficzne chipy SNN do urządzeń medycznych

Finansowanie ma przede wszystkim przyspieszyć komercjalizację technologii Mineng (MinoTec), a nie finansować typowy program budowy układu AI na wzór GPU. Spółka podaje, że środki przeznaczy na masową produkcję i kolejne wersje modułów klasy medycznej, prace nad regulacją fizjologiczną w zamkniętej pętli oraz integrację rozwiązań z producentami urządzeń medycznych. Dostępny opis mówi o finansowaniu kapitałowym w wysokości dziesiątek milionów juanów; nie określa go jednoznacznie jako rundy Series A. Nie przedstawia też niezależnego potwierdzenia deklarowanej około tysiąckrotnej przewagi energetycznej. 15

Od czujnika do bezpiecznej interwencji

Mineng opisuje swoją ofertę jako pionowo zintegrowaną platformę: od pomiaru sygnałów fizjologicznych, przez obliczenia zdarzeniowe, po bezpieczną regulację. Obejmuje ona wielomodalne zbieranie sygnałów, kodowanie ich na impulsy lub zdarzenia, mieszany analogowo-cyfrowy rdzeń obliczeniowy SNN oraz programowalny moduł interwencji medycznej z mechanizmami kontroli bezpieczeństwa w sprzęcie. 15

Model biznesowy spółki nie polega przede wszystkim na sprzedaży gotowych urządzeń pacjentom. Firma chce dostarczać producentom sprzętu medycznego chipy, moduły, pakiety SDK, pomoc inżynieryjną oraz wsparcie w procesach rejestracyjnych. 15

Czym SNN różni się od GPU i NPU?

W typowych potokach opartych na GPU lub NPU dane są zwykle próbkowane w stałym rytmie, a układ wielokrotnie wykonuje gęste operacje numeryczne na tensorach — również wtedy, gdy w sygnale biologicznym nie zachodzi istotna klinicznie zmiana.

Proponowana przez Mineng architektura SNN koduje znaczące zmiany przebiegu jako dyskretne „spike’i”, czyli impulsy. Obliczenia są aktywowane przede wszystkim wtedy, gdy pojawia się takie zdarzenie; przy braku ważnej zmiany układ może pozostawać w trybie głębokiego oszczędzania energii. To podejście jest inspirowane biologią: neurony komunikują się rzadkimi, asynchronicznymi impulsami, a nie ciągłym strumieniem wartości zmiennoprzecinkowych sterowanym jednym globalnym zegarem. 15

Potencjalne korzyści są istotne dla ciągłego monitorowania organizmu:

• mniejsza liczba obliczeń i mniejszy transfer danych,
• naturalne zachowanie informacji o czasie wystąpienia zdarzenia,
• szybka reakcja na krótkotrwałe zmiany,
• przydatność w analizie słabych i zaszumionych szeregów czasowych sygnałów fizjologicznych. 14

Nie jest to jednak uniwersalna gwarancja oszczędności energii. Zależy ona od konkretnego zadania, implementacji sprzętowej, modelu i wymaganej dokładności. Przykładowo asynchroniczny układ badawczy „Speck” raportował moc spoczynkową procesora na poziomie 0,42 mW, a przeglądy badań wskazują, że w niektórych zastosowaniach neuromorficznych możliwe są wielokrotne, nawet rzędu wielkości, redukcje energii inferencji. Nie dowodzi to jednak konkretnej deklaracji Mineng o przewadze około 1000× bez ujawnienia warunków pomiaru, modelu, celu dokładności i granic systemu objętych pomiarem. 37

Zastosowania: EKG, EEG, EMG i urządzenia działające stale

Mineng wymienia monitorowanie przebiegów EEG, EKG i EMG, długotrwały domowy monitoring chorób przewlekłych, nieinwazyjne interfejsy mózg–komputer, rehabilitację z regulacją w zamkniętej pętli, regulację układu autonomicznego podczas snu, rehabilitację sportową oraz domowe interwencje w przewlekłym bólu. 15

Sygnały EKG i EEG są dobrym technicznym kandydatem dla SNN, ponieważ zawierają wzorce czasowe i mogą wymagać pracy „zawsze włączonej” — na przykład lokalnego wykrywania arytmii albo ostrzegania o napadzie padaczkowym. Badania pokazały już klasyfikację EKG w urządzeniach ubieralnych opartą na przetwarzaniu impulsowym, a także neuromorficzne podejścia do prognozowania napadów na podstawie EEG, wykrywania arytmii z EKG i analizy EMG. 48

Wstępna analiza obrazowania medycznego jest wiarygodnym, szerszym scenariuszem dla brzegowej AI, ale nie została wyraźnie wskazana jako główny cel produktowy Mineng w opisie finansowania. Mocniejsze podstawy źródłowe dotyczą czujników, monitorowania sygnałów fizjologicznych i regulacji w zamkniętej pętli. 15

Dlaczego inferencja na urządzeniu może mieć znaczenie?

W karetkach, szpitalach polowych czy odległych placówkach przenośny monitor mógłby uruchamiać lokalny model wstępnego alarmowania lub triage’u, zamiast polegać na energochłonnej stacji roboczej, stałym połączeniu z chmurą lub przesyłaniu ciągłego strumienia wrażliwych danych biologicznych.

Teoretyczne korzyści to dłuższy czas pracy na baterii, mniej problemów z odprowadzaniem ciepła, natychmiastowa lokalna inferencja oraz większa odporność na ograniczoną przepustowość łącza. Są to jednak zalety inżynieryjne, a nie dowód, że rozwiązania Mineng zostały klinicznie zwalidowane właśnie w takich warunkach. Badania nad neuromorficzną elektroniką biomedyczną potwierdzają ogólny sens niskoenergetycznego, dynamicznego przetwarzania na urządzeniu. 23

Gdzie Mineng plasuje się na rynku neuromorficznym?

Mineng należy postrzegać jako chińskiego, wyspecjalizowanego medycznie uczestnika szerszego trendu neuromorficznego: wykorzystania sprzętu SNN sterowanego zdarzeniami do energooszczędnej inferencji na brzegu sieci, a nie budowy uniwersalnego akceleratora AI.

Rodzina Intel Loihi reprezentuje programowalny, asynchroniczny sprzęt badawczy dla SNN z uczeniem na chipie. IBM TrueNorth pozostaje z kolei ważnym przykładem cyfrowej, sterowanej zdarzeniami architektury zoptymalizowanej pod kątem bardzo niskiego poboru energii podczas inferencji. 56

Chińskie inicjatywy Tianjic i Darwin również pokazują rozwój krajowych badań nad sprzętem inspirowanym mózgiem i SNN. Wyróżnikiem Mineng ma być nie tylko skala sieci neuronów i synaps, lecz cały stos dla urządzeń medycznych: kodowanie sygnałów fizjologicznych, logika bezpieczeństwa, standaryzowane moduły i integracja z wymaganiami regulacyjnymi. 15

Droga do wdrożenia pozostaje wymagająca. Równie ważne jak efektywność energetyczna będą narzędzia do trenowania SNN, powtarzalność wyników, walidacja urządzeń medycznych, dowody kliniczne, cyberbezpieczeństwo, uzysk produkcyjny i dopuszczenia regulacyjne. Mineng informował o przychodach i współpracach, lecz cytowany materiał nie zawiera niezależnie audytowanych danych o wydajności chipu, wynikach klinicznych, dopuszczeniach regulacyjnych ani szczegółowych benchmarkach. 15