تقلید ممریستورها از زمان‌سنجی عصبی

تقلید ممریستورها از زمان‌سنجی عصبی

مغز از نورون‌هایی برای زمان‌سنجی استفاده می‌کند که بعد از دریافت سیگنال با سرعت‌های مختلف آرام می‌شوند. اکنون ممریستورها (مشابه‌ سخت‌افزاری نورون‌ها) نیز می‌توانند این کار را انجام دهند.

به گزارش تک‌ناک، شبکه‌های عصبی مصنوعی به زودی قادر خواهند بود تا اطلاعات وابسته به زمان، مانند داده‌های صوتی و تصویری را با کارآمدی بیشتری پردازش کنند. اولین ممریستور با «زمان آرامش» قابل تنظیم، امروز در مجلۀ Nature Electronics و در مطالعه‌ای به رهبری دانشگاه میشیگان گزارش شده است.

بهره‌وری انرژی و هوش مصنوعی

ممریستورها، اجزای الکتریکی که اطلاعات را در مقاومت الکتریکی خود ذخیره می‌کنند، می‌توانند نیازهای انرژی هوش مصنوعی را در مقایسه با واحدهای پردازش گرافیکی (GPU) امروزی، حدود 90 درصد کاهش دهند. پیش‌بینی می‌شود که هوش مصنوعی تا سال 2027 حدود نیم درصد از کل مصرف برق جهان را به خود اختصاص دهد و این میزان با فروش و استفادۀ بیشتر ابزارهای هوش مصنوعی توسط شرکت‌ها، افزایش خواهد یافت.

وی لو، استاد مهندسی جیمز آر. ملور در دانشگاه میشیگان و نویسندۀ همکار این مطالعه به همراه جان هرون، استادیار مهندسی علم مواد و مهندسی در دانشگاه میشیگان، گفت: در حال حاضر علاقۀ زیادی به هوش مصنوعی وجود دارد، امّا برای پردازش داده‌های بزرگ‌تر و پیچیده‌تر، رویکرد رایج، افزایش اندازۀ شبکه است. این روش چندان کارآمد نیست.

مشکل پردازنده‌های گرافیکی (GPU)

مشکل این است که GPUها به شکلی کاملاً متفاوت از شبکه‌های عصبی مصنوعی که اجرای الگوریتم‌های هوش مصنوعی را دارند، عمل می‌کنند. کل شبکه و تمام تعاملات آن باید به طور متوالی از حافظۀ خارجی بارگذاری شوند، که این فرآیند هم زمان‌بر و هم انرژی‌بر است. در مقابل، ممریستورها صرفه‌جویی در انرژی را ارائه می‌دهند، چرا که جنبه‌های کلیدی عملکرد شبکه‌های عصبی مصنوعی و بیولوژیکی را بدون نیاز به حافظۀ خارجی تقلید می‌کنند. تا حدی، شبکۀ ممریستور می‌تواند مجسم‌کنندۀ شبکۀ عصبی مصنوعی باشد.

نوآوری در مواد ممریستور

سیون چه، فارغ‌التحصیل دکترای دانشگاه میشیگان در رشتۀ مهندسی علم مواد و مهندسی، یکی از نویسندگان اول این مطالعه، به همراه سانگمین یو، فارغ‌التحصیل دکترای دانشگاه میشیگان در رشتۀ مهندسی برق و کامپیوتر، عنوان کرد: پیش‌بینی می‌کنیم که سیستم مواد جدید ما بتواند کارآمدی انرژی تراشه‌های هوش مصنوعی را نسبت به مواد پیشرفتۀ فعلی، بدون تغییر زمان‌های ثابت، شش برابر بهبود بخشد.

شبکه‌های عصبی زیستی و زمان‌سنجی با آرام‌سازی

در یک شبکۀ عصبی زیستی، زمان‌سنجی با استفاده از آرام‌سازی به دست می‌آید. هر نورون، سیگنال‌های الکتریکی دریافت و آنها را ارسال می‌کند، امّا این تضمینی برای حرکت رو به جلوی سیگنال نیست. قبل از اینکه نورون سیگنال خودش را ارسال کند، باید به آستانۀ مشخصی از سیگنال‌های ورودی برسد و این آستانه باید در مدت زمان معینی حاصل شود. اگر زمان زیادی بگذرد، گفته می‌شود که نورون با خارج شدن انرژی الکتریکی آرام می‌گیرد. داشتن نورون‌هایی با زمان‌های آرام‌سازی متفاوت در شبکه‌های عصبی ما به درک توالی رویدادها کمک می‌کند.

شیوۀ عملکرد ممریستورها

ممریستورها کمی متفاوت کار می‌کنند. به جای وجود یا عدم وجود کامل سیگنال، میزان عبور سیگنال الکتریکی تغییر می‌کند. قرار گرفتن در معرض سیگنال، مقاومت ممریستور را کاهش و اجازه می‌دهد تا سیگنال بعدی بیشتر عبور کند. در ممریستورها، آرام‌سازی به معنای افزایش مجدد مقاومت در طول زمان است.

در حالی که گروه لو در گذشته به دنبال ساخت زمان آرام‌سازی در ممریستورها بود، این امکان به طور سیستماتیک قابل کنترل نبود. امّا اکنون، تیم لو و هرون نشان داده‌اند که تغییرات در مادۀ اولیه می‌تواند زمان‌های آرام‌سازی متفاوتی ایجاد کند و این امکان را به شبکه‌های ممریستور می‌دهد تا از این مکانیزم زمان‌سنجی تقلید کنند.

ترکیب و آزمایش مواد

تیم، مواد را بر روی ابررسانا YBCO ساخت که از ایتریوم، باریم، کربن و اکسیژن ساخته شده است. این ماده در دماهای پایین‌تر از منفی 292 درجۀ فارنهایت مقاومت الکتریکی ندارد، امّا به دلیل ساختار کریستالی آن انتخاب شده‌ است. این ساختار سازماندهی اکسیدهای منیزیم، کبالت، نیکل، مس و روی را در مواد ممریستور هدایت می‌کرد.

هرون این نوع اکسید را اکسید تثبیت‌شده با آنتروپی می‌نامد و هرچه عناصر بیشتری اضافه کنند، پایدارتر می‌شود. با تغییر نسبت این اکسیدها، تیم به زمان‌های ثابتی از 159 تا 278 نانوثانیه یا تریلیونوم ثانیه دست یافت. شبکۀ ممریستور ساده‌ای که آنها ساختند، یاد گرفت تا صدای اعداد 0 تا 9 را تشخیص دهد. پس از آموزش، می‌توانست هر عدد را قبل از تکمیل ورودی صدا شناسایی کند.

چشم‌اندازهای آینده

ساخت این ممریستورها فرآیندی پرهزینه بود، چرا که تیم به کریستال‌های کاملی نیاز داشت تا خواص آنها را به طور دقیق اندازه‌گیری کند، امّا آنها پیش‌بینی می‌کنند که یک فرآیند ساده‌تر برای تولید انبوه، کارآمد خواهد بود.

هرون گفت: تاکنون این یک چشم‌انداز  به شمار می‌رود، امّا من فکر می‌کنم راه‌هایی برای مقیاس‌پذیر و مقرون به صرفه کردن این مواد وجود دارد. این مواد فراوان، غیرسمی و ارزان هستند و در اغلب موارد می‌توان آنها را اسپری کرد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

technoc-instagram