تراشهای که هوش مصنوعی را ۲۰۰۰ برابر کارآمدتر میکند
فیزیکدانان بریتانیایی موفق به توسعه تراشه الهام گرفته از مغز شدهاند که میتواند سیستمهای هوش مصنوعی را ۲۰۰۰ برابر کارآمدتر کند. این کار راه را برای الکترونیک نورومورفیک با مصرف انرژی بهینه هموار میکند.
جهان صنعت نیوز، محققان در بریتانیا یک تراشه رایانهای جدید را توسعه دادهاند که میتواند برخی از سیستمهای هوش مصنوعی را بسیار کارآمدتر کند.
این دستگاه که توسط فیزیکدانان دانشگاه لافبورو(Loughborough) توسعه داده شده است، میتواند دادههایی را که با گذشت زمان تغییر میکنند، مستقیماً در سختافزار پردازش کند، نه اینکه به نرمافزاری که روی رایانههای معمولی اجرا میشود، متکی باشد.
محققان ادعا کردند که این رویکرد میتواند در برخی از وظایف تا ۲۰۰۰ برابر کارآمدتر از روشهای مبتنی بر نرمافزار معمولی باشد، اگرچه دستاوردهای دقیق بسته به کاربرد متفاوت است.
الکترونیک نورومورفیک با مصرف انرژی بهینه
دکتر پاول بوریسوف(Pavel Borisov)، مدرس ارشد فیزیک که رهبری تیم تحقیقاتی با بودجه شورای تحقیقات مهندسی و علوم فیزیکی (EPSRC) را بر عهده داشت، گفت: این هیجانانگیز است، زیرا نشان میدهد که میتوانیم در مورد نحوه ساخت سیستمهای هوش مصنوعی تجدید نظر کنیم.
وی افزود: با استفاده از فرآیندهای فیزیکی به جای تکیه کامل بر نرمافزار میتوانیم انرژی مورد نیاز برای این نوع وظایف را به طرز چشمگیری کاهش دهیم.
این کار که در مجله Advanced Intelligent Systems منتشر شده است، یک دستگاه ممریستور لایه نازک مبتنی بر اکسید نیوبیوم با ناهمگنی ساختاری ذاتی به شکل نانوحفرههای تصادفی را نشان میدهد و وظایف محاسباتی عملیات XOR، تشخیص تصویر و پیشبینی و بازسازی سریهای زمانی را انجام میدهد.
محققان این مطالعه گفتند: ما برای وظیفه اخیر، یک سری زمانی پیچیده سهبعدی را انتخاب کردیم. با اعمال سه شکل موج ولتاژ زمانی به صورت جداگانه در سراسر دستگاه و آموزش لایه بازخوانی با سیگنالهای جریان الکتریکی از یک مخزن فیزیکی سه خروجی، در مقایسه با حالت بدون مخزن، به دقت پیشبینی و بازسازی رضایتبخشی دست یافتیم.
این تیم تحقیقاتی همچنین نشان داد که کار آنها پتانسیل دستگاههای مقیاسپذیر روی تراشه را با استفاده از سیستمهای مخزن تمام اکسیدی برجسته میکند و راه را برای الکترونیک نورومورفیک با مصرف انرژی کارآمد که با سیگنالهای زمانی سروکار دارد، هموار میکند.
محققان نشان دادند که این دستگاه میتواند دادههای وابسته به زمان را پردازش کند و هنگامی که خروجی آن به یک مدل کامپیوتری خطی وارد میشود، میتواند برای شناسایی الگوها و انجام پیشبینیهای کوتاهمدت مورد استفاده قرار گیرد.
آنها این سیستم را با استفاده از «سیستم لورنز-۶۳» که یک مدل ریاضی شناختهشده از آشوب مرتبط با «اثر پروانهای» است که در آن تغییرات کوچک میتواند منجر به نتایج بسیار متفاوتی شود و همچنین وظایفی از جمله تشخیص تصاویر پیکسلی ساده از اعداد و انجام عملیات منطقی پایه را آزمایش کردند.
این مدل در این آزمایشها توانست از دادههای پردازششده توسط ممریستور برای پیشبینی موفقیتآمیز رفتار کوتاهمدت سیستم آشوبناک لورنز و بازسازی دادههای از دست رفته استفاده کند. همچنین اعداد پیکسلی را به درستی شناسایی کرد و عملیات منطقی پایه را انجام داد که نشان میدهد طبق این بیانیه، همان دستگاه میتواند از طیف وسیعی از وظایف مختلف پشتیبانی کند.
مصرف کمتر انرژی
دکتر بوریسوف گفت: ما با الهام از نحوه تشکیل اتصالات عصبی بسیار متعدد و به ظاهر تصادفی مغز انسان بین تمام نورونهایش، با طراحی منافذ در لایههای نازک نانومتری اکسید نیوبیوم به عنوان بخشی از یک دستگاه الکترونیکی جدید، اتصالات فیزیکی پیچیده، تصادفی و پیچیدهای را در یک شبکه عصبی مصنوعی ایجاد کردیم.
وی در پایان افزود: ما نشان دادیم که چگونه میتوان با استفاده از این دستگاهها، تکامل آینده یک سری زمانی پیچیده را با مصرف انرژی تا دو هزار برابر کمتر در مقایسه با یک راهحل استاندارد مبتنی بر نرمافزار پیشبینی کرد.
منبع: ایسنا
دانش و فناوریلینک کوتاه :