تراشه جدید الهامگرفته از مغز با استفاده از فیزیک مواد، برخی وظایف هوش مصنوعی را تا ۲۰۰۰ برابر کممصرفتر از روشهای نرمافزاری انجام میدهد.
به گزارش سرویس هوش مصنوعی تکناک، پژوهشگران اعلام کردهاند که این نوع جدید از تراشه رایانهای میتواند تحولی جدی در بهرهوری انرژی سامانههای هوش مصنوعی ایجاد کند. این فناوری که توسط فیزیکدانان دانشگاه لافبورو توسعه یافته است، بهجای تکیه بر نرمافزارهای سنتی، پردازش دادهها را به صورت مستقیم در سطح سختافزار انجام میدهد.
این تیم پژوهشی در مطالعهای که در مجله Advanced Intelligent Systems منتشر شده است، نشان دادهاند که رویکرد جدید آنها در برخی کاربردها میتواند تا ۲۰۰۰ برابر کارآمدتر از نظر مصرف انرژی نسبت به روشهای مبتنی بر نرمافزار باشد. البته پژوهشگران تأکید کردهاند که میزان دقیق این صرفهجویی به نوع کاربرد و شرایط پردازشی بستگی دارد.
دکتر پاول بوریسوف، سرپرست این پروژه تحقیقاتی توضیح داده است که این دستاورد نشان میدهد میتوان معماری سامانههای هوش مصنوعی را به طور اساسی بازطراحی کرد. او تأکید کرده است که استفاده از فرایندهای فیزیکی بهجای اتکا به محاسبات نرمافزاری میتواند به طور چشمگیری مصرف انرژی را کاهش دهد، موضوعی که با رشد سریع تقاضا برای پردازشهای هوش مصنوعی اهمیت بیشتری پیدا کرده است.
برای مطالعه: بحث جنجالی سم آلتمن درباره مصرف انرژی هوش مصنوعی
در این فناوری جدید، دستگاهی مبتنی بر ممریستور مورد استفاده قرار گرفته است. ممریستورها نوعی مؤلفه الکترونیکی هستند که میتوانند اطلاعات مربوط به ورودیهای قبلی را ذخیره کنند. نمونه توسعهیافته توسط پژوهشگران از اکسید نانومتخلخل ساخته شده و دارای ساختاری شامل نانوحفرههای تصادفی است، که مسیرهای الکتریکی متعددی ایجاد میکنند. این مسیرها عملکردی مشابه لایههای پنهان در شبکههای عصبی دارند و به ماده اجازه میدهند بخشی از محاسبات را به صورت فیزیکی انجام دهد.
این رویکرد بهویژه برای مسائلی کاربرد دارد که در آنها دادهها در طول زمان تغییر میکنند. در بسیاری از کاربردهای واقعی مانند پیشبینی وضعیت آبوهوا، تحلیل فرایندهای زیستی یا پردازش دادههای حسگرها، لازم است الگوهای زمانی شناسایی شوند. در حال حاضر، چنین وظایفی معمولاً با استفاده از تکنیکی به نام محاسبات مخزن و به کمک نرمافزار انجام میشود، اما فناوری جدید، این فرایند را به طور مستقیم در سختافزار پیادهسازی میکند.
پژوهشگران برای ارزیابی عملکرد این سیستم، آن را روی چندین وظیفه آزمایش کردند. یکی از مهمترین آزمایشها استفاده از مدل لورنز-۶۳ بود، که یک مدل ریاضی شناختهشده در مطالعه سیستمهای آشوبناک و مرتبط با اثر پروانهای محسوب میشود. نتایج نشان داد که این دستگاه میتواند رفتار کوتاهمدت چنین سیستمهای پیچیدهای را با دقت مناسبی پیشبینی کند.
خوب است بدانید: مصرف انرژی هوش مصنوعی از استخراج بیتکوین در سال ۲۰۲۴ پیشی گرفت
همچنین این سامانه در شناسایی تصاویر ساده پیکسلی از اعداد نیز عملکرد موفقی داشت و توانست عملیات منطقی پایه را به درستی انجام دهد. این موضوع نشان میدهد که یک دستگاه واحد میتواند طیف متنوعی از وظایف محاسباتی را پشتیبانی کند، ویژگی که برای توسعه سامانههای چندمنظوره اهمیت زیادی دارد.
پژوهشگران معتقد هستند که این تراشه جدید میتواند به یکی از چالشهای مهم حوزه هوش مصنوعی پاسخ دهد. با افزایش قدرت مدلها، مصرف انرژی آنها نیز به شدت افزایش یافته و نگرانیهایی درباره پایداری زیستمحیطی و هزینههای عملیاتی ایجاد کرده است. انتقال بخشی از بار محاسباتی از نرمافزار به سختافزار میتواند راهکار مؤثری برای کاهش این فشار باشد.
دکتر بوریسوف در توضیح الهامگیری از مغز انسان گفته که این تیم توانسته است با تقلید از ساختار پیچیده و بهظاهر تصادفی ارتباطات نورونی، شبکهای فیزیکی ایجاد کند که عملکردی مشابه شبکههای عصبی مصنوعی داشته باشد. این ساختار از طریق طراحی حفرههایی در لایههای بسیار نازک اکسید نیوبیوم ایجاد شده است.
با وجود این پیشرفت، پژوهشگران تأکید کردهاند که این فناوری هنوز در مراحل اولیه توسعه قرار دارد. آزمایشهای انجامشده محدود به وظایف به نسبت ساده بوده است و برای کاربردهای پیچیدهتر نیاز به توسعه بیشتر وجود دارد. افزایش مقیاس شبکهها و بررسی عملکرد در دادههای واقعی و پرنویز از جمله گامهای بعدی این پروژه خواهد بود.
مطلب پیشنهادی: ابداع روشی جدید برای کاهش مصرف انرژی هوش مصنوعی
به گفته تیم تحقیقاتی، این رویکرد میتواند در آینده باعث تولید دستگاههای کوچک، کممصرف و سازگار با نیازهای صنعتی شود. همچنین امکان اجرای پردازشهای هوش مصنوعی به صورت آفلاین و بدون نیاز به زیرساختهای سنگین محاسباتی از دیگر مزایای بالقوه این فناوری به حساب میآید .
پروفسور سرگئی ساولیف نیز تأکید کرده که این دستاورد نمونهای از نقش فیزیک بنیادی در تحول محاسبات مدرن است. او توضیح داده است که استفاده از پیچیدگی طبیعی سامانههای فیزیکی میتواند به عنوان یک فیلتر قدرتمند برای دادهها عمل کند و نیاز به محاسبات سنگین را کاهش دهد.
