پل زدن شکاف بین هوش مصنوعی و محاسبات نورومورفیک

در چشم انداز هوش مصنوعی که به سرعت در حال تحول است، جستجو برای سخت افزاری که بتواند همگام با نیازهای محاسباتی رو به رشد باشد، بی وقفه است. پیشرفت قابل توجهی در این تلاش از طریق تلاش مشترکی که توسط دانشگاه پردو، در کنار دانشگاه کالیفرنیا سن دیگو (UCSD) و École Supérieure de Physique et de Chimie Industrielles (ESPCI) در پاریس رهبری شده است، به دست آمده است. این همکاری نشان دهنده یک پیشرفت اساسی در زمینه محاسبات نورومورفیک است، رویکردی انقلابی که به دنبال تقلید از مکانیسم های مغز انسان در معماری محاسباتی است.

چالش های سخت افزار هوش مصنوعی فعلی

پیشرفت های سریع در هوش مصنوعی الگوریتم ها و مدل های پیچیده ای را به وجود آورده است که سطح بی سابقه ای از قدرت محاسباتی را می طلبد. با این حال، با کاوش عمیق‌تر در قلمروهای هوش مصنوعی، یک چالش آشکار ظاهر می‌شود: ناکافی بودن معماری‌های رایانه‌ای مبتنی بر سیلیکون فعلی در همگامی با تقاضاهای در حال تکامل فناوری هوش مصنوعی.

اریکا کارلسون، پروفسور فیزیک و نجوم در دانشگاه پردو، در صد و پنجاهمین سالگرد این چالش، این چالش را به اختصار بیان می کند. او توضیح می‌دهد: «کدهای الهام‌گرفته از مغز انقلاب هوش مصنوعی عمدتاً بر روی معماری‌های رایانه‌ای سیلیکونی معمولی اجرا می‌شوند که برای آن طراحی نشده‌اند.» این مشاهدات بر یک گسست اساسی بین سخت افزار موجود، که در درجه اول برای محاسبات همه منظوره طراحی شده است، و نیازهای تخصصی الگوریتم های پیشرفته هوش مصنوعی تاکید می کند.

همانطور که کارلسون اشاره می کند، این عدم تطابق نه تنها کاربردهای بالقوه هوش مصنوعی را محدود می کند، بلکه منجر به ناکارآمدی انرژی قابل توجهی نیز می شود. تراشه‌های سیلیکونی، پیشتازان عصر دیجیتال، ذاتاً برای پردازش موازی و به هم پیوسته‌ای که شبکه‌های عصبی و مدل‌های یادگیری عمیق نیاز دارند، مناسب نیستند. قدرت پردازش خطی و متوالی CPUهای سنتی (واحد پردازش مرکزی) و GPU (واحد پردازش گرافیکی) کاملاً در تضاد با نیازهای محاسبات هوش مصنوعی پیشرفته است.

محاسبات نورومورفیک رونمایی شد

تلاش مشترک پژوهشی، همانطور که در مطالعه آنها به تفصیل شرح داده شده است، به یک پیشرفت مهم منجر شده است.حافظه معکوس رمپ توزیع شده فضایی در VO2" این تحقیق منادی یک رویکرد جدید برای سخت افزار محاسباتی است که از عملیات سیناپسی مغز انسان الهام گرفته شده است.

محور این پیشرفت، مفهوم محاسبات نورومورفیک است. برخلاف معماری‌های محاسباتی سنتی، محاسبات نورومورفیک تلاش می‌کند تا ساختار و عملکرد مغز انسان را تقلید کند، به‌ویژه با تمرکز بر نورون‌ها و سیناپس‌ها. نورون ها سلول های انتقال دهنده اطلاعات در مغز هستند و سیناپس ها شکاف هایی هستند که به سیگنال ها اجازه می دهند از یک نورون به نورون دیگر منتقل شوند. در مغزهای بیولوژیکی، این سیناپس ها برای رمزگذاری حافظه حیاتی هستند.

نوآوری این تیم در استفاده از اکسیدهای وانادیوم نهفته است، موادی که منحصراً برای ایجاد نورون‌ها و سیناپس‌های مصنوعی مناسب هستند. این انتخاب ماده نشان دهنده انحراف قابل توجهی از رویکردهای متداول مبتنی بر سیلیکون است که جوهر معماری نورومورفیک - تکرار رفتار مغز مانند در تراشه های محاسباتی را در بر می گیرد.

بهره وری انرژی و محاسبات پیشرفته

پیامدهای این پیشرفت بسیار گسترده است، به ویژه از نظر بهره وری انرژی و قابلیت های محاسباتی. کارلسون در مورد مزایای بالقوه توضیح می دهد و بیان می کند: «معماری های نورومورفیک نویدبخش پردازنده های مصرف انرژی کمتر، محاسبات پیشرفته، حالت های محاسباتی اساسا متفاوت، یادگیری بومی و تشخیص الگوی پیشرفته هستند.» این تغییر به سمت محاسبات نورومورفیک می تواند چشم انداز سخت افزار هوش مصنوعی را دوباره تعریف کند و آن را پایدارتر و کارآمدتر کند.

یکی از قانع‌کننده‌ترین مزایای محاسبات نورومورفیک، وعده آن در کاهش قابل توجه هزینه‌های انرژی مرتبط با آموزش مدل‌های زبان بزرگ مانند ChatGPT است. مصرف انرژی بالای فعلی چنین مدل‌هایی عمدتاً به ناهماهنگی بین سخت‌افزار و نرم‌افزار نسبت داده می‌شود - شکافی که محاسبات نورومورفیک قصد دارد آن را پر کند. با تقلید از اجزای اساسی مغز، این معماری‌ها راه طبیعی و کارآمدتری را برای پردازش و یادگیری از داده‌ها برای سیستم‌های هوش مصنوعی فراهم می‌کنند.

علاوه بر این، کارلسون به محدودیت‌های سیلیکون در تکرار رفتار نورون‌مانند اشاره می‌کند که جنبه‌ای حیاتی برای پیشرفت سخت‌افزار هوش مصنوعی است. معماری‌های نورومورفیک، با توانایی خود در تقلید سیناپس‌ها و نورون‌ها، انقلابی در نحوه عملکرد سیستم‌های هوش مصنوعی ایجاد می‌کنند و به مدلی نزدیک‌تر می‌شوند که بیشتر شبیه فرآیندهای شناختی انسان است.

یکی از عناصر کلیدی این تحقیق استفاده نوآورانه از اکسیدهای وانادیوم است. این ماده برای شبیه‌سازی عملکرد نورون‌ها و سیناپس‌های مغز انسان، نویدبخش است. الکساندر زیمرز، دانشمند تجربی برجسته از دانشگاه سوربن و ESPCI، این پیشرفت را برجسته می کند و می گوید: "در دی اکسید وانادیوم، ما مشاهده کرده ایم که چگونه مانند یک سیناپس مصنوعی عمل می کند، یک جهش قابل توجه در درک ما."

تحقیقات این تیم منجر به یافتن روشی ساده تر و کارآمدتر برای ذخیره حافظه شده است، مشابه آنچه مغز انسان انجام می دهد. با مشاهده نحوه رفتار اکسید وانادیوم در شرایط مختلف، آنها دریافته اند که حافظه نه تنها در بخش های جدا شده از مواد ذخیره می شود، بلکه در سراسر آن پخش می شود. این بینش بسیار مهم است زیرا راه‌های جدیدی را برای طراحی و ساخت دستگاه‌های نورومورفیک پیشنهاد می‌کند که می‌توانند به طور مؤثرتر و کارآمدتری اطلاعات را مانند مغز انسان پردازش کنند.

پیشبرد محاسبات نورومورفیک

تیم تحقیقاتی با تکیه بر یافته های پیشگامانه خود، در حال ترسیم مسیر مرحله بعدی کار خود هستند. با توانایی ایجاد شده برای مشاهده تغییرات در مواد نورومورفیک، آنها قصد دارند با تغییر موضعی خواص مواد، آزمایش بیشتری انجام دهند. زیمرز پتانسیل این رویکرد را توضیح می‌دهد: «این می‌تواند به ما اجازه دهد تا جریان الکتریکی را از طریق مناطق خاصی در نمونه هدایت کنیم که اثر حافظه در آن حداکثر است، و به طور قابل‌توجهی رفتار سیناپسی این ماده نورومورفیک را افزایش می‌دهد.»

این جهت فرصت های هیجان انگیزی را برای آینده محاسبات نورومورفیک باز می کند. هدف محققان با اصلاح کنترل و دستکاری این مواد، ایجاد دستگاه‌های نورومورفیک کارآمدتر و مؤثرتر است. چنین پیشرفت‌هایی می‌تواند منجر به سخت‌افزاری شود که قادر به تقلید دقیق‌تر از پیچیدگی‌های مغز انسان است و راه را برای سیستم‌های هوش مصنوعی پیچیده‌تر و کارآمدتر هموار می‌کند.