کاهش مصرف انرژی هوش مصنوعی با تراشه جدید دانشمند ایرانی

به گزارش جام‌جم‌آنلاین از ایسنا، دانشمندان نوع جدیدی از دستگاه نانوالکترونیکی را ساخته‌اند که می‌تواند میزان مصرف انرژی سیستم‌های هوش مصنوعی را به میزان قابل توجهی کاهش دهد. این نوآوری با کپی کردن نحوه پردازش اطلاعات توسط مغز انسان کار می‌کند و جایگزینی کارآمدتر را برای سخت‌افزار‌های هوش مصنوعی پرمصرف امروزی ارائه می‌دهد.

به نقل از ساینس‌دیلی، این گروه پژوهشی به رهبری «دانشگاه کمبریج»  نسخه اصلاح‌شده‌ای از اکسید هافنیوم را توسعه داده‌اند که به عنوان یک ممریستور بسیار پایدار و کم‌انرژی عمل می‌کند؛ قطعه‌ای که برای شبیه‌سازی نحوه اتصال و ارتباط نورون‌ها در مغز طراحی شده است.

چرا سیستم‌های هوش مصنوعی کنونی این قدر انرژی مصرف می‌کنند؟

هوش مصنوعی مدرن به تراشه‌های رایانه‌ای سنتی متکی است که دائماً داده‌ها را بین حافظه و واحد‌های پردازش جابه‌جا می‌کنند. این انتقال رفت‌وبرگشتی به مقادیر زیادی برق نیاز دارد و با افزایش استفاده از هوش مصنوعی در صنایع گوناگون، تقاضا برای آن همچنان روبه‌افزایش است.

محاسبات نورومورفیک، رویکرد متفاوتی را ارائه می‌دهند. آنها به جای جداسازی حافظه و پردازش، هر دو را در یک مکان ترکیب می‌کنند که مشابه نحوه عملکرد مغز است. این روش می‌تواند مصرف انرژی را تا ۷۰ درصد کاهش دهد و در عین حال به سیستم‌ها امکان دهد تا به طور طبیعی‌تری یاد بگیرند و سازگار شوند.

دکتر بابک باخیت، پژوهشگر ارشد این پروژه از دانشکده علوم مواد و متالورژی کمبریج گفت: مصرف انرژی یکی از چالش‌های کلیدی در سخت‌افزار‌های هوش مصنوعی کنونی است. برای پرداختن به این موضوع، به دستگاه‌هایی با جریان بسیار کم، پایداری عالی، یکنواختی برجسته در چرخه‌ها و دستگاه‌های سوئیچینگ و قابلیت سوئیچ بین حالت‌های متمایز نیاز دارید.

بیشتر ممریستور‌های موجود با تشکیل رشته‌های رسانای ریز درون مواد اکسید فلزی کار می‌کنند. این رشته‌ها تمایل به رفتار غیرقابل پیش‌بینی دارند و اغلب نیازمند ولتاژ‌های بالا هستند که کاربرد آنها را برای محاسبات در مقیاس بزرگ محدود می‌کنند.

پژوهشگران دانشگاه کمبریج مسیر متفاوتی را در پیش گرفتند. آنها یک لایه نازک مبتنی بر هافنیوم را مهندسی کردند که حالت‌ها را از طریق مکانیسم کنترل‌شده‌تری تغییر می‌دهد. پژوهشگران با افزودن استرانسیوم و تیتانیوم و با استفاده از یک فرآیند رشد دو مرحله‌ای، دروازه‌های الکترونیکی کوچکی موسوم به اتصالات p-n را در رابط‌های بین لایه‌ها ایجاد کردند.

این دستگاه به جای تکیه بر تشکیل و شکستن رشته‌ها، مقاومت خود را با تنظیم سد انرژی در این رابط‌ها تغییر می‌دهد. این امر امکان جابه‌جایی روان‌تر و قابل اطمینان‌تری را فراهم می‌کند.

آزمایش‌ها نشان دادند که این دستگاه‌های جدید با جریان‌های تقریباً یک میلیون برابر کمتر از برخی ممریستور‌های مبتنی بر اکسید معمولی کار می‌کنند. همچنین، آنها می‌توانند به صد‌ها سطح رسانایی پایدار دست یابند که برای محاسبات آنالوگ درون حافظه ضروری است.

در بررسی‌های آزمایشگاهی، این دستگاه‌ها در طول ده‌ها هزار چرخه پایدار ماندند و حالت‌های برنامه‌ریزی‌شده خود را برای حدود یک روز حفظ کردند. همچنین، آنها رفتار‌های یادگیری بیولوژیکی کلیدی از جمله انعطاف‌پذیری وابسته به زمان‌بندی اسپایک را نشان دادند. این فرآیند به نورون‌ها امکان می‌دهد تا اتصالات خود را براساس زمان‌بندی تقویت یا تضعیف کنند.

با وجود نتایج امیدوارکننده هنوز موانعی وجود دارند که باید بر آنها غلبه شود. فرآیند تولید کنونی به دمای حدود ۷۰۰ درجه سلسیوس نیاز دارد؛ بالاتر از آنچه که ساخت نیمه‌رسانا‌های استاندارد معمولاً اجازه می‌دهد. اگر این مشکل حل شود، این فناوری می‌تواند در سیستم‌های کاربردی در مقیاس تراشه ادغام شود.

این پژوهش در مجله «Science Advances» به چاپ رسید.