خبر کامل
کاهش ۷۰ درصدی مصرف انرژی تراشه‌های هوش مصنوعی با نوآوری محقق ایرانی
تراشه‌های نورومورفیک: گامی بلند در شبیه‌سازی مغز انسان با مصرف انرژی کمتر
تقلید از قابلیت‌های بی‌نظیر مغز انسان، سال‌هاست که به یکی از مهم‌ترین ترندها در صنعت تولید تراشه و هوش مصنوعی تبدیل شده است. در حالی که از لحاظ تئوری برای دستیابی به عملکرد مغز با توان تنها ۲۰ وات، به هزاران تراشه H100 انویدیا با توان ۷۰۰ وات برای هر چیپ نیاز داریم، اکنون خبری امیدوارکننده از دانشگاه کمبریج به گوش می‌رسد. تیمی از محققان به رهبری یک پژوهشگر ایرانی، موفق به توسعه فناوری جدیدی شده‌اند که می‌تواند مصرف انرژی لازم برای این شبیه‌سازی را تا ۷۰ درصد کاهش دهد.
کاهش چشمگیر مصرف انرژی با ممریستورهای نانومقیاس
در یک پژوهش پیشگامانه، محققان دانشگاه کمبریج موفق به توسعه دستگاه نانومقیاس جدیدی شده‌اند که قادر است نیاز سخت‌افزار هوش مصنوعی به مصرف انرژی کلان را به‌طور چشمگیری کاهش دهد. این تیم یک Memristor (حافظه مقاومتی) فوق کم‌مصرف ساخته است؛ دستگاهی که می‌تواند اطلاعات را در یک مکان ثابت هم ذخیره و هم پردازش کند، درست مانند مکانیزم عملکرد مغز انسان.
در معماری‌های محاسباتی سنتی و حتی در سیستم‌های هوش مصنوعی فعلی، واحدهای حافظه و پردازش از یکدیگر جدا هستند. این جدایی مستلزم جابه‌جایی مداوم داده‌ها بین واحدهای مختلف کامپیوتر برای ذخیره و پردازش است. همین فرایند به ظاهر ساده، مقادیر عظیمی انرژی مصرف می‌کند و بازدهی پایین‌تری نسبت به مغز انسان دارد. با آگاهی از این مزیت بزرگ مغز، محققان همواره به دنبال شبیه‌سازی راهی بوده‌اند تا ویژگی ذخیره و پردازش در یک مکان را برای استفاده در سخت‌افزار به کار گیرند. این بار، تیمی از محققان دانشگاه کمبریج به رهبری دکتر بابک بخیت، پژوهشگر ایرانی، توسعه روش‌های نوین نورومورفیک را با استفاده از ممریستور در دستور کار قرار داده‌اند.
ممریستور چیست و چگونه کار می‌کند؟
حافظه مقاومتی یا Memristor، از ترکیب دو عبارت Memory و Transistor پدید آمده است. این نوع ترانزیستورها برخلاف انواع عادی، می‌توانند حالات حافظه خود را حتی حین قطع برق حفظ کنند؛ شیوه‌ای که می‌تواند کارکرد سیناپس در مغز انسان را شبیه‌سازی کند. با این حال، ممریستورهای موجود محدودیت‌های عمده‌ای در زمینه مواد و ساخت دارند. مشکل اصلی این است که اکثر ممریستورهای مبتنی بر اکسید با تشکیل و پاره کردن فیلامنت‌های رسانای ریز داخل ماده کار می‌کنند. این روند می‌تواند مسیرهای رسانای میکروسکوپیک تصادفی تشکیل دهد و دستگاه‌ها را وارد یک چرخه غیرقابل پیش‌بینی کند. مصرف انرژی این نوع از ترانزیستورها نیز بالاست که برای صنعت هوش مصنوعی می‌تواند بسیار پرهزینه تمام شود.
نوآوری تیم کمبریج: ممریستور مبتنی بر اکسید هافنیوم
تیم محققان کمبریج رویکردی متفاوت را در پیش گرفته‌اند. آن‌ها به جای تکیه بر کارکرد فیلامنت‌های رسانا، ماده‌ای مبتنی بر «اکسید هافنیوم» را مهندسی کردند. این نوآوری به ممریستور اجازه می‌دهد تا تغییرات در رابط الکترونیکی داخل سوئیچ را کنترل کند. استرانسیوم و تیتانیوم نیز در این ترکیب حضور یافتند تا در نهایت ساختار مداری ممریستور را مشابه یک نیمه‌رسانای معمولی تغییر دهند. بنابراین، به جای تشکیل و نابود کردن مسیرهای رسانا در برد، حافظه‌های مقاومتی از طریق تغییر مقاومت الکتریکی عمل خواهند کرد. به نظر می‌رسد محققان کمبریج یکی از بزرگ‌ترین مشکلات فناوری ممریستور را حل کرده باشند.
«دستگاه‌های فیلامنتاری از رفتار تصادفی رنج می‌برند؛ اما چون دستگاه‌های ما در خود رابط سوئیچ می‌کنند، یکنواختی عالی چرخه به چرخه و دستگاه به دستگاه ارائه می‌دهند.»
دکتر بابک بخیت، محقق ایرانی و نویسنده اصلی تحقیق جدید دانشگاه کمبریج
شبیه‌سازی سیناپس‌های بیولوژیکی و یادگیری تطبیقی
سیستم‌های دیجیتال سنتی معمولاً در حالت باینری (صفر و یک) کار می‌کنند و ترانزیستورها تنها توانایی روشن یا خاموش شدن را دارند. اما در سیناپس‌های بیولوژیکی مانند مغز انسان، روش پردازش متفاوت است. برای شبیه‌سازی این امر، سخت‌افزارهای نورومورفیک مانند ممریستور از انواع حالت‌های رسانایی پشتیبانی می‌کنند. از این رو، ممریستورهای جدید از صدها سطح رسانایی متمایز و پایدار بهره می‌برند تا برای محاسبات آنالوگ مشابه مغز انسان مشکلی نداشته باشند. این اقدام در به کارگیری هوش مصنوعی خودآگاه نیز تأثیر بسزایی دارد.
تیم تحقیقاتی دانشگاه کمبریج برخی رفتارهای مرتبط با یادگیری بیولوژیکی را نیز در حافظه‌های مقاومتی خود پیاده‌سازی کرده است. یکی از این مکانیزم‌ها، SDTP (پلاستیسیته وابسته به زمان‌بندی اسپایک) محسوب می‌شود. در این مکانیزم عصبی، قدرت اتصالات نورون‌ها می‌تواند بر اساس زمان‌بندی نسبی سیگنال‌هایشان تغییر کند. به زبان ساده‌تر، سخت‌افزار کامپیوتر با این روش می‌تواند کمتر بر حافظه استاتیک خود متکی باشد و مانند مغز از قابلیت یادگیری تطبیقی برای ذخیره و پردازش داده‌ها استفاده کند.
چالش‌ها و چشم‌انداز آینده
با وجود نتایج امیدوارکننده در این تحقیق، موانع قابل توجهی در زمینه تجاری شدن محصول آن‌ها وجود دارد. یکی از بزرگ‌ترین چالش‌ها، فرایند تولید این نوع ممریستورهاست؛ روندی که به دمای ساخت حدود ۷۰۰ درجه سانتی‌گراد نیاز دارد و بالاتر از توان تولید دستگاه‌های تولید نیمه‌رساناست. اکنون این تیم در حال تحقیق برای کاهش دمای مورد نیاز برای ساخت است تا بتواند محصول خود را در خط تولید تراشه‌های معمولی ادغام کند. اگر آن‌ها موفق شوند، احتمالاً شاهد تحولات و حتی انقلاب بزرگی در زمینه قدرت پردازشی کامپیوتر و هوش مصنوعی خواهیم بود.
درباره هوش‌مصنوعی دست‌اول:
تمامی اخبار دست‌اول توسط دستیار هوش مصنوعی «هوشنگ» پردازش، صحت‌سنجی، خلاصه و بازنویسی شده است. هوشنگ هر روز با داده‌های جدید آموزش داده می‌شود و با نظارت دقیق انسانی و سردبیری دست‌اول در حال بهتر شدن است.
شما می‌توانید از چت‌بات و سایر ابزارهای هوشنگ به صورت رایگان استفاده کنید.
