فیزیکدانان بریتانیایی تراشهای برای کاهش مصرف انرژی سیستمهای هوش مصنوعی ساختند
دستاورد اخیر محققان بریتانیایی بر پایه یک ممریستور فیلم نازک از جنس اکسید نیوبیوم بنا شده است. تیم تحقیقاتی به سرپرستی دکتر پاول بوریسوف، منافذ نانومتری تصادفی را در این قطعه ایجاد کردهاند تا اتصالات فیزیکی متعددی مشابه نورونهای مغزی شکل بگیرد. نتایج این پروژه که با حمایت شورای تحقیقات علوم مهندسی و فیزیکی بریتانیا انجام شده، نشاندهنده تغییر مسیر توسعه سختافزارهای پردازشی از فضای نرمافزار به معماری فیزیکی است.
ممریستورها یا مقاومتهای حافظهدار، قطعاتی هستند که جریان الکتریکی عبوری گذشته خود را به خاطر میسپارند. ویژگی یادشده این تجهیزات را به گزینهای کاربردی برای پردازش دادههایی که در طول زمان تغییر میکنند، تبدیل کرده است. پردازش چنین دادههایی در کاربردهای روزمره هوش مصنوعی مانند تحلیل حسگرها و الگوهای زمانی اهمیت فراوانی دارد.
طراحی این قطعه به گونهای انجام شده که تغییرات دادهها در طول زمان را به صورت ذاتی درک و پردازش کند. خروجی این دستگاه زمانی که به یک مدل رایانهای خطی متصل میشود، سیستم را قادر میسازد الگوهای پنهان را شناسایی کرده و پیشبینیهای کوتاهمدت انجام دهد.
الگوبرداری از شبکه عصبی برای محاسبات فیزیکی
مغز انسان شبکهای بسیار درهمتنیده از اتصالات عصبی دارد که پردازش اطلاعات را با کمترین میزان مصرف انرژی ممکن میسازد. دکتر بوریسوف و تیم همراهش همین مفهوم را مبنای کار خود قرار دادند و شبکهای فیزیکی و تصادفی در یک شبکه عصبی مصنوعی ایجاد کردند.
محققان برای پیادهسازی این ایده، منافذی در مقیاس نانومتر روی لایههای بسیار نازک اکسید نیوبیوم طراحی کردند. منافذ ایجاد شده نقش همان اتصالات تصادفی مغز را ایفا میکنند و به قطعه الکترونیکی اجازه میدهند فرآیندهای پیچیده را از طریق ساختار فیزیکی خود حل کند.
رویکرد استفاده از سختافزار فیزیکی به جای نرمافزار، نیاز به جابجایی مداوم دادهها میان پردازنده و حافظه را از بین میبرد. حذف این مسیر ارتباطی باعث میشود که مصرف انرژی در مقایسه با روشهای سنتی مبتنی بر نرمافزار به شکل ملموسی کاهش یابد.
آزمایشهای عملکردی و پیشبینی سیستمهای آشوبناک
ارزیابی عملکرد تراشه جدید شامل مجموعهای از وظایف محاسباتی و شناسایی الگوهای متغیر بوده است. پژوهشگران برای سنجش دقت دستگاه، سری زمانی آشوبناک سهبعدی لورنز-۶۳ را به عنوان هدف انتخاب کردند. مدل ریاضی لورنز-۶۳ که پایه اثر پروانهای محسوب میشود، نشان میدهد که تغییرات بسیار کوچک در شرایط اولیه میتواند به نتایج کاملا متفاوتی در آینده منجر شود و پیشبینی آن یکی از سختترین آزمونها برای ماشینهای محاسباتی به شمار میرود.
سیستم طراحی شده توانست با استفاده از دادههای پردازش شده توسط ممریستور، رفتار کوتاهمدت سیستم آشوبناک لورنز را پیشبینی کرده و دادههای از دست رفته را بازسازی کند. محققان سه شکل موج ولتاژ زمانی را به صورت جداگانه به دستگاه اعمال کردند و لایه خوانش را با سیگنالهای جریان الکتریکی آموزش دادند که نتیجه آن ثبت دقت بالای دستگاه در پیشبینیها بود.
تشخیص تصاویر پیکسلی ساده شامل اعداد و همچنین اجرای عملیات پایه منطقی مانند عملگر XOR از دیگر آزمایشهای انجام شده روی این تراشه بوده است. انجام موفقیتآمیز این وظایف متنوع نشان میدهد که یک قطعه واحد میتواند کاربردهای گوناگونی در سیستمهای پردازشی داشته باشد.
آینده الکترونیک نورومورفیک در صنعت فناوری
صنعت فناوری اطلاعات امروز با چالش تامین انرژی سیستمهای هوش مصنوعی روبهرو است و مراکز داده حجم بالایی از برق را برای پردازش مصرف میکنند. یافتههای این پژوهش که در نشریه سیستمهای هوشمند پیشرفته منتشر شده است، راهکاری عملی برای مقابله با این مسئله فزاینده ارائه میدهد و وابستگی به پردازندههای پرمصرف را کم میکند.
دکتر بوریسوف تاکید میکند که استفاده از فرآیندهای فیزیکی به جای تکیه بر نرمافزار، رویکرد ساخت سیستمهای هوش مصنوعی را بازطراحی میکند. تغییر الگوی فعلی مانع از اتلاف انرژی در مدارهای پیچیده و طولانی نرمافزاری میشود.
توسعه سیستمهای مخزن تماماکسیدی روی تراشه، مسیر تولید تجهیزات الکترونیکی نورومورفیک را هموارتر میکند. دستگاههای مبتنی بر این فناوری قابلیت مقیاسپذیری بالایی دارند و میتوانند پردازش سیگنالهای زمانی را در نسل بعدی رایانهها با هزینه انرژی بسیار پایینتری بر عهده بگیرند.
انتهای پیام/
