تراشه‌ای که خودش اشتباهات را فهمید می‌شود و تصحیح می‌کند_صبح سریع

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 پیروی می‌کند.

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

این تراشه اکنون برای استقرار در دستگاه‌های گوناگون همانند 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) گسترش یافته و به معنی منفعت گیری از سیستم‌های مجتمع‌سازی در مقیاس زیاد بزرگ (VLSI) حاوی مدارهای آنالوگ الکترونیکی، برای پیروی (همانند‌سازی) معماری عصبی و بیولوژیکی حاضر در سیستم عصبی است.

اکنون کلمه 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 مهم مهندسی نورومورفیک فهمیدن چگونگی مورفولوژی نورون‌های اختصاصی، مدارها، برنامه‌ها و معماری‌های همه‌جانبه است که بر نحوه اراعه اطلاعات و بر استحکام در برابر صدمه‌ها تأثیر می‌گذارد و یادگیری و گسترش و سازگاری با تغییرات محلی (انعطاف‌پذیری) را ترکیب می‌کند و تحول تکاملی را آسان می‌کند.

اکنون این تراشه تازه محاسباتی به علت توانایی در یادگیری و تصحیح خطاهای ناشی از ویژگی‌های غیر ایده‌آل که چالشی در دستگاه‌های نورومورفیک حاضر است، نزدیک است. به گفتن مثال، زمان پردازش ویدئوها می‌تواند به طور خودکار اجسام متحرک را از بعد‌عرصه جدا کند و کارکرد خود را در طول زمان بهبود بخشد.

این تراشه خودآموز، توانمندیهای خود را با دستیابی به دقت قابل قیاس با همانند‌سازی‌های رایانه‌ای ایده‌آل در پردازش عکس لحظه‌ای نشان داده است. دستاورد کلیدی تیم تحقیقاتی در تشکیل سیستمی نه تنها قابل مطمعن بلکه کاربردی است و از گسترش اجزای فردی همانند به مغز پیشی می‌گیرد.

محور مهم این نوآوری یک دستگاه نیمه‌رسانای نسل تازه به نام ممریستور است. ویژگی‌های مقاومت متغیر آن نقش سیناپس‌ها در شبکه‌های عصبی را پیروی می‌کند و ذخیره و محاسبات همزمان داده‌ها را مقدور می‌کند که زیاد همانند به کارکرد سلول‌های مغز ماست.

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

این مطالعه از این جهت مهم است که پتانسیل تجاری یک سیستم نورومورفیک نسل تازه را برای یادگیری و استنتاج در لحظه مشخص می کند.

تسریع ماموریت های پردازش هوش مصنوعی به طور درجا برای بهبود شدت

پلتفرم‌های مبتنی بر ممریستور می‌توانند سیستم‌های محاسباتی واقع در لبه حوزه هوش مصنوعی فشرده و کم‌مصرف را به علت 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 علت مشکلات قابلیت مطمعن همانند کارکرد ضعیف، یکنواختی ضعیف و مشکلات استقامتی با چالش‌هایی روبه رو می باشند.

اکنون این فناوری تصمیم دارد نحوه ادغام هوش مصنوعی را در دستگاه‌های روزمره تحول دهد و ماموریت های هوش مصنوعی را به طور درجا پردازش کند.

این مطالعه اشاره دارد که این کار اتکا به سرورهای ابری راه دور را افت می‌دهد و دستگاه‌ها را سریع تر، ایمن‌تر و کارآمدتر می‌کند.

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

به حرف های محققانی که گسترش این فناوری را رهبری کردند، این سیستم همانند یک فضای کاری هوشمند عمل می‌کند که در آن همه چیز به راحتی قابل دسترس است.

به حرف های محققان، این سیستم این چنین 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 انتشار شده است.