تراشه‌ای که خودش اشتباهات را متوجه می‌شود و تصحیح می‌کند

به گزارش ایسنا، گروهی از پژوهشگران مؤسسه علوم و فناوری پیشرفته کره(KAIST) در کره جنوبی یک تراشه یکپارچه مبتنی بر ممریستور(مقاومت حافظه‌دار) ساخته‌اند که روش پردازش اطلاعات در مغز را تقلید می‌کند.

این گروه به رهبری پروفسورها سینهیون چوی(Shinhyun Choi) و یانگ‌گیو یون(Young-Gyu Yoon) یک تراشه نورومورفیک نسل جدید که یک نیمه‌رسانای فوق‌العاده کوچک است که اشتباهات را به طور مستقل یاد می‌گیرد و تصحیح می‌کند، ساخته‌اند.

این تراشه اکنون برای استقرار در دستگاه‌های مختلف مانند دوربین‌های امنیتی هوشمند که فوراً فعالیت‌های مشکوک را بدون تکیه بر سرورهای ابری شناسایی می‌کنند و دستگاه‌های پزشکی که داده‌های سلامت را در لحظه تجزیه و تحلیل می‌کنند، آماده است.

حل چالش‌ها در دستگاه‌های نورومورفیک

مهندسی نورومورفیک (neuromorphic) یا به اختصار نورومورفیک که «محاسبات عصبی» نیز نامیده می‌شود، مفهومی است که در اواخر دهه ۱۹۸۰ توسط کارور مید (Carver Mead) توسعه یافته و به معنی استفاده از سیستم‌های مجتمع‌سازی در مقیاس بسیار بزرگ (VLSI) حاوی مدارهای آنالوگ الکترونیکی، برای تقلید (شبیه‌سازی) معماری عصبی و بیولوژیکی موجود در سیستم عصبی است.

در حال حاضر اصطلاح نورومورفیک برای توصیف سیستم‌های آنالوگ، دیجیتال، سیستم‌های مختلط آنالوگ / دیجیتال و نرم‌افزارهایی که سیستم‌های عصبی را مدل‌سازی می‌کنند، به کار می‌رود. اجرای محاسبات عصبی در سطح سخت‌افزار را می‌توان با ممریستورها و ترانزیستورها تحقق بخشید.

جنبه اصلی مهندسی نورومورفیک درک چگونگی مورفولوژی نورون‌های ویژه، مدارها، برنامه‌ها و معماری‌های همه‌جانبه است که بر نحوه ارائه اطلاعات و بر استحکام در برابر آسیب‌ها تأثیر می‌گذارد و یادگیری و توسعه و سازگاری با تغییرات محلی (انعطاف‌پذیری) را ترکیب می‌کند و تغییر تکاملی را آسان می‌کند.

اکنون این تراشه جدید محاسباتی به دلیل توانایی در یادگیری و تصحیح خطاهای ناشی از ویژگی‌های غیر ایده‌آل که چالشی در دستگاه‌های نورومورفیک موجود است، متمایز است. به عنوان مثال، هنگام پردازش ویدئوها می‌تواند به طور خودکار اجسام متحرک را از پس‌زمینه جدا کند و عملکرد خود را در طول زمان بهبود بخشد.

این تراشه خودآموز، توانایی‌های خود را با دستیابی به دقت قابل مقایسه با شبیه‌سازی‌های رایانه‌ای ایده‌آل در پردازش تصویر لحظه‌ای نشان داده است. دستاورد کلیدی تیم تحقیقاتی در ایجاد سیستمی نه تنها قابل اعتماد بلکه کاربردی است و از توسعه اجزای فردی شبیه به مغز پیشی می‌گیرد.

محور اصلی این نوآوری یک دستگاه نیمه‌رسانای نسل جدید به نام ممریستور است. ویژگی‌های مقاومت متغیر آن نقش سیناپس‌ها در شبکه‌های عصبی را تقلید می‌کند و ذخیره و محاسبات همزمان داده‌ها را امکان‌پذیر می‌کند که بسیار شبیه به عملکرد سلول‌های مغز ماست.

ممریستور دقیقاً تغییرات مقاومت را کنترل می‌کند و یک سیستم کارآمد ایجاد می‌کند که نیاز به جبران پیچیده را از طریق خودآموزی برطرف می‌کند.

این مطالعه از این جهت مهم است که پتانسیل تجاری یک سیستم نورومورفیک نسل جدید را برای یادگیری و استنتاج در لحظه نشان می‌دهد.

تسریع وظایف پردازش هوش مصنوعی به صورت درجا برای بهبود سرعت

پلتفرم‌های مبتنی بر ممریستور می‌توانند سیستم‌های محاسباتی واقع در لبه حوزه هوش مصنوعی فشرده و کم‌مصرف را به دلیل توانایی آنها در انجام محاسبات موازی در حوزه آنالوگ فعال کنند. با این حال، سیستم‌های مبتنی بر آرایه ممریستور در پیاده‌سازی الگوریتم‌های هوش مصنوعی در لحظه با یادگیری روی دستگاه به دلیل مشکلات قابلیت اطمینان مانند عملکرد ضعیف، یکنواختی ضعیف و مشکلات استقامتی با چالش‌هایی مواجه هستند.

اکنون این فناوری قصد دارد نحوه ادغام هوش مصنوعی را در دستگاه‌های روزمره تغییر دهد و وظایف هوش مصنوعی را به صورت درجا پردازش کند.

این مطالعه اشاره دارد که این امر اتکا به سرورهای ابری راه دور را کاهش می‌دهد و دستگاه‌ها را سریع‌تر، ایمن‌تر و کارآمدتر می‌کند.

دانشمندان در مقاله خود آورده‌اند: ما از ممریستورهای مبتنی بر اکسید تیتانیوم با توزیع تدریجی اکسیژن استفاده می‌کنیم که قابلیت اطمینان بالا، خطی بودن بالا، ویژگی‌های بدون انباشت و خود اصلاحی را نشان می‌دهند. این پلتفرم می‌تواند الگوریتم‌های هوش مصنوعی را در حوزه آنالوگ از طریق «خود کالیبراسیون»، بدون نیاز به جبران یا پیش‌آموزش اجرا کند.

به گفته محققانی که توسعه این فناوری را رهبری کردند، این سیستم مانند یک فضای کاری هوشمند عمل می‌کند که در آن همه چیز به راحتی قابل دسترس است.

به گفته محققان، این سیستم همچنین نحوه پردازش اطلاعات توسط مغز را بازتاب می‌دهد، جایی که همه چیز به طور مؤثر در یک مکان واحد به کار گرفته می‌شود.

این مطالعه در مجله Nature Electronics منتشر شده است.

انتهای پیام