دانشمندان آمریکایی نورون مصنوعی جدیدی طراحی کرده‌اند که در کمتر از ۵ نانوثانیه فعال می‌شود و مصرف انرژی هوش مصنوعی را کاهش می‌دهد.

فهرست مطالب

پژوهشگران دانشگاه اوکلند آمریکا نورون مصنوعی جدیدی طراحی کرده‌اند که در کمتر از ۵ نانوثانیه فعال می‌شود و می‌تواند مصرف انرژی پردازنده‌های هوش مصنوعی را به‌ شدت کاهش دهد.

به گزارش سرویس سخت‌افزار تک‌ناک، این نورون مصنوعی با ترکیب یک قطعه مغناطیسی بسیار کوچک و یک ترانزیستور معمولی، عملکرد نورون‌های مغز انسان را شبیه‌سازی می‌کند. این فناوری می‌تواند زمینه ساخت پردازنده‌های هوش مصنوعی سریع‌تر و کم‌مصرف‌تر را فراهم کند.

براساس گزارش وب‌سایت Interesting Engineering، طراحی جدید به‌جای استفاده از مدارهای دیجیتال پیچیده، از ویژگی‌های طبیعی مواد مغناطیسی برای پردازش اطلاعات بهره می‌برد. این رویکرد می‌تواند وابستگی سیستم‌های هوش مصنوعی به سخت‌افزارهای بزرگ و پرمصرف را کاهش دهد.

افزایش استفاده از هوش مصنوعی، مصرف انرژی را به یکی از چالش‌های اصلی صنعت فناوری تبدیل کرده است. مدل‌های پیشرفته برای پردازش اطلاعات به منابع محاسباتی گسترده نیاز دارند. این موضوع مصرف برق مراکز داده را افزایش می‌دهد و اجرای مدل‌های قدرتمند را روی دستگاه‌های قابل‌ حمل دشوار می‌کند.

پژوهشگران معتقد هستند که مغز انسان همچنان یکی از بهترین نمونه‌های پردازش اطلاعات با مصرف انرژی پایین محسوب می‌شود. مغز انسان میلیاردها عملیات را با مصرف حدود ۲۰ وات انرژی انجام می‌دهد. این میزان تقریبا با برق مصرفی یک لامپ خانگی برابر است.

پردازنده‌های امروزی هوش مصنوعی برای انجام برخی وظایف مشابه مغز انسان، ممکن است تا ۵۰۰ برابر انرژی بیشتری مصرف کنند. پژوهشگران برای کاهش این مصرف، به سراغ طراحی پردازنده‌هایی رفته‌اند که از شیوه عملکرد نورون‌های مغز انسان الهام می‌گیرند.

پژوهشگران دانشگاه اوکلند می‌خواهند با استفاده از این فناوری، امکان اجرای هوش مصنوعی را روی دستگاه‌هایی مانند: گوشی‌های هوشمند، ربات‌ها و تجهیزات پوشیدنی فراهم کنند تا این دستگاه‌ها برای پردازش اطلاعات، وابستگی کمتری به مراکز داده بزرگ داشته باشند.

شیوه شبیه‌سازی عملکرد مغز انسان با نورون مغناطیسی

نورون مصنوعی جدید از قطعه‌ای به نام اتصال تونلی مغناطیسی یا MTJ استفاده می‌کند. این قطعه در ابعاد نانومتری ساخته می‌شود و در کنار یک ترانزیستور استاندارد قرار می‌گیرد. ترکیب این دو بخش، ساختاری ایجاد می‌کند که می‌تواند رفتار الکتریکی نورون‌های زیستی را تقلید کند.

هنگامی که جریان الکتریکی از این ساختار عبور می‌کند، عنصر مغناطیسی وضعیت خود را تغییر می‌دهد و پالس‌های الکتریکی کوتاهی تولید می‌کند. این پالس‌ها شباهت زیادی به سیگنال‌هایی دارند که نورون‌های مغز برای انتقال اطلاعات تولید می‌کنند.

مهم‌ترین ویژگی طراحی جدید، استفاده از خواص ذاتی مواد مغناطیسی به‌جای مدارهای منطقی پیچیده است. این روش تعداد قطعات مورد نیاز را برای پردازش اطلاعات کاهش می‌دهد و می‌تواند مصرف انرژی را به میزان قابل‌ توجهی پایین بیاورد.

تصویر مفهومی اتصال یک نورون زیستی به تراشه الکترونیکی، نمادی از فناوری نورون مصنوعی فوق‌سریع با مصرف انرژی پایین برای پردازش هوش مصنوعی

پژوهشگران اعلام کرده‌اند که نورون مصنوعی طراحی‌شده در کمتر از ۵ نانوثانیه واکنش نشان می‌دهد. هر نانوثانیه معادل یک میلیاردم ثانیه است. بنابراین، این ساختار می‌تواند سیگنال‌های الکتریکی را در زمانی بسیار کوتاه تولید کند.

یکی دیگر از مزیت‌های این فناوری، کاهش جابه‌جایی اطلاعات میان حافظه و پردازنده است. تراشه‌های متداول هوش مصنوعی داده‌ها را بارها میان این دو بخش منتقل می‌کنند. چنین فرایندی انرژی قابل‌ توجهی مصرف می‌کند و بهره‌وری سیستم را کاهش می‌دهد.

نورون مغناطیسی جدید محاسبات را در همان محل ذخیره اطلاعات انجام می‌دهد. این ویژگی نیاز به انتقال مکرر داده‌ها را کاهش می‌دهد و امکان طراحی پردازنده‌های کم‌مصرف‌تر را فراهم می‌کند.

تفاوت دیگر این فناوری به شیوه انتقال اطلاعات مربوط می‌شود. پردازنده‌های دیجیتال معمولی اطلاعات را با استفاده از سیگنال‌های دودویی پردازش می‌کنند. در مقابل، نورون مصنوعی جدید از زمان‌بندی پالس‌های الکتریکی برای انتقال و پردازش اطلاعات بهره می‌برد.

این روش به عملکرد مغز انسان شباهت دارد. نورون‌های زیستی نیز اطلاعات را از طریق پالس‌های کوتاه الکتریکی منتقل می‌کنند و فعالیت آنها به دریافت محرک وابسته است.

پژوهشگران برای ارزیابی عملکرد این معماری، چند نورون مغناطیسی را به یکدیگر متصل کردند و شبکه عصبی کوچکی ساختند.

آنها این شبکه را برای حل مسئله XOR یا «یا انحصاری» آموزش دادند. این مسئله یکی از آزمون‌های شناخته‌شده برای بررسی توانایی یادگیری شبکه‌های عصبی است و به تشخیص تفاوت میان دو ورودی دودویی مربوط می‌شود.

شبکه طراحی‌شده توانست این مسئله را با موفقیت یاد بگیرد. نکته مهم این بود که یادگیری از طریق تنظیم زمان‌بندی پالس‌های الکتریکی انجام شد و به محاسبات دیجیتال متداول متکی نبود.

پژوهشگران توضیح دادند که این معماری مبتنی بر رویداد، نورون‌ها را تا زمان دریافت اطلاعات جدید عمدتا غیرفعال نگه می‌دارد. این رفتار می‌تواند مصرف انرژی غیرضروری را کاهش دهد.

کاربرد نورون مصنوعی در نسل آینده پردازنده‌ها

فناوری جدید در صورت تأیید عملکرد در سخت‌افزار واقعی، می‌تواند در توسعه نسل تازه‌ای از پردازنده‌های هوش مصنوعی نقش مهمی داشته باشد. این پردازنده‌ها برای تجهیزاتی مناسب خواهند بود که محدودیت انرژی دارند و نمی‌توانند به منابع پردازشی مراکز داده وابسته باشند.

ربات‌ها، سیستم‌های خودران، حسگرهای هوشمند، تجهیزات پوشیدنی و دستگاه‌های پردازش لبه از کاربردهای احتمالی این فناوری محسوب می‌شوند.

برای مثال، حسگرهای هوشمند می‌توانند اطلاعات محیطی را بدون ارسال مداوم داده‌ها به سرورهای مرکزی پردازش کنند. دستگاه‌های پوشیدنی نیز ممکن است بتوانند قابلیت‌های پیشرفته‌تری از هوش مصنوعی را با مصرف باتری کمتر اجرا کنند.

یکی از ویژگی‌های مهم این طراحی، سازگاری بالقوه آن با فناوری‌های تولید نیمه‌رسانا است. نورون مصنوعی جدید، ترانزیستورهای متداول CMOS را با قطعات مغناطیسی ترکیب می‌کند.

قطعات مغناطیسی مشابه پیش‌تر در فناوری‌های حافظه تجاری استفاده شده‌اند. پژوهشگران معتقد هستند که این موضوع می‌تواند فرایند ادغام نورون‌های جدید با روش‌های تولید تراشه‌های امروزی را آسان‌تر کند.

هرچند، این پژوهش هنوز در مرحله شبیه‌سازی قرار دارد و نمونه سخت‌افزاری واقعی آن آزمایش نشده است. بنابراین، نتایج فعلی را نمی‌توان تأییدی بر دستیابی عملی به پردازنده‌هایی با مصرف انرژی ۵۰۰ برابر کمتر دانست.

عدد ۵۰۰ برابر در این پژوهش به اختلاف احتمالی مصرف انرژی میان سخت‌افزارهای فعلی استنتاج هوش مصنوعی و مغز انسان اشاره دارد. پژوهشگران هنوز چنین کاهشی را برای نورون مصنوعی جدید در شرایط واقعی اثبات نکرده‌اند.

مرحله بعدی پروژه شامل ساخت نمونه‌های فیزیکی و بررسی عملکرد نورون‌های مغناطیسی در شرایط عملیاتی واقعی خواهد بود. این آزمایش‌ها باید سرعت واکنش، میزان مصرف انرژی و پایداری عملکرد قطعات را مشخص کنند.

در صورت موفقیت، این فناوری می‌تواند مسیر تازه‌ای برای توسعه سخت‌افزارهای هوش مصنوعی سریع‌تر و کم‌مصرف‌تر فراهم کند. همچنین امکان اجرای قابلیت‌های پیشرفته هوش مصنوعی را روی دستگاه‌هایی افزایش دهد که منابع انرژی و پردازشی محدودی دارند.

نتایج این پژوهش در نشریه علمی IEEE Transactions on Circuits and Systems منتشر شده است.