پیشرفت در تراشه‌های الهام‌گرفته از مغز که به‌طور مستقل یاد می‌گیرند و اشتباهات را اصلاح می‌کنند
تیمی از محققان مؤسسه پیشرفته علم و فناوری کره (KAIST) در کره جنوبی، تراشه‌ای یکپارچه و مبتنی بر ممیستور توسعه داده‌اند که به روش پردازش اطلاعات در مغز شباهت دارد.
تیمی به سرپرستی پروفسور شینهیون چوی و یونگ-گیو یون، تراشه نورو‌مورفیک نسل بعدی را توسعه داده‌اند که یک نیمه‌رسانای فوق‌العاده کوچک است و به‌طور مستقل یاد می‌گیرد و خطاها را اصلاح می‌کند. این مطالعه در مجله Nature Electronics منتشر شده است. اکنون این تراشه آماده استفاده در دستگاه‌های مختلف، مانند دوربین‌های امنیتی هوشمند که بدون نیاز به سرورهای ابری فعالیت مشکوک را فوراً تشخیص می‌دهند، و دستگاه‌های پزشکی که داده‌های سلامتی را به‌صورت آنی تحلیل می‌کنند، است.
حل چالش‌ها در دستگاه‌های نورو‌مورفیک
این تراشه محاسباتی به دلیل توانایی خود در یادگیری و تصحیح خطاهایی که ناشی از ویژگی‌های غیرایده‌آل هستند، مطرح است که این یکی از چالش‌های دستگاه‌های نورو‌مورفیک موجود است. مثالاً وقتی جریانات ویدیویی را پردازش می‌کند، می‌تواند به‌طور خودکار اشیای متحرک را از پس‌زمینه جدا کرده و عملکردش را در طول زمان بهبود بخشد.
این تراشه خود-آموز توانایی‌های خود را با دستیابی به دقتی مشابه شبیه‌سازی‌های کامپیوتری ایده‌آل در پردازش تصویر در زمان واقعی نشان داده است. دستاورد کلیدی تیم تحقیقاتی در ایجاد سیستمی است که نه تنها قابل‌اعتماد بلکه عملی است، که پیش از توسعه اجزای منفرد شبیه‌مغز جای دارد.
مرکز این نوآوری یک دستگاه نیمه‌رسانای نسل بعدی به نام ممیستور است. ویژگی‌های مقاومت متغیر آن نقش سیناپس‌ها در شبکه‌های عصبی را تقلید می‌کند و امکان ذخیره‌سازی و محاسبه داده‌ها را به‌طور هم‌زمان فراهم می‌کند، همان‌گونه که سلول‌های مغزی ما عمل می‌کنند.
ممیستور مقاومت‌ها را به‌طور دقیق کنترل می‌کند و سیستمی کارآمد ایجاد می‌کند که نیاز به جبران پیچیده را از طریق یادگیری خودآموز حذف می‌کند. این مطالعه به دلیل نشان دادن پتانسیل تجاری سیستم نورو‌مورفیک نسل بعدی برای یادگیری و استنباط در زمان واقعی حائز اهمیت است.
وظایف AI به‌طور محلی برای بهبود سرعت پردازش می‌شوند
پلتفرم‌های مبتنی بر ممیستور می‌توانند به سیستم‌های محاسبه لبه هوشمند و کم‌مصرف انرژی منجر شوند، به‌دلیل توانایی‌شان در انجام محاسبات موازی در حوزه آنالوگ. با این حال، سیستم‌های مبتنی بر آرایه‌های ممیستور با چالش‌هایی در پیاده‌سازی الگوریتم‌های AI واقعی با یادگیری در دستگاه به‌دلیل مشکلات قابل‌اعتماد بودن مواجه هستند، مانند بازده پایین، یکنواختی ضعیف و مشکلات مقاومت.
اکنون این فناوری قصد دارد که نحوه ادغام AI در دستگاه‌های روزمره را تغییر دهد و امکان پردازش محلی وظایف AI را فراهم کند. این امر باعث کاهش وابستگی به سرورهای ابری دور، افزایش سرعت دستگاه، امنیت و صرفه‌جویی انرژی می‌شود، به‌طوری که مطالعه نشان داده است.
دانشمندان در مقاله خود اظهار داشتند: «ما از ممیستورهای اکسیـد تیتانیوم از نوع سطحی با توزیع اکسیژن تدریجی که دارای قابلیت اطمینان بالا، خطینی بالا، ویژگی بدون تشکیل و خود-اصلاح هستند، استفاده می‌کنیم»، و اضافه کردند که این پلتفرم می‌تواند الگوریتم‌های AI را در حوزه آنالوگ از طریق خود-تنظیم بدون نیاز به جبران یا پیش‌آموزش اجرا کند.
به گفته محققان KAIST، هاکچون جونگ و سئونگ‌جئا هان که توسعه این فناوری را رهبری کردند، سیستم مانند یک فضای کار هوشمند عمل می‌کند که همه چیز به راحتی در دسترس است، بدون نیاز به رفت‌و‌آمد بین میزها و کابینت‌ها.
آنها بیشتر توضیح دادند که این سیستم را انعکاس می‌دهد که چگونه مغز اطلاعات را پردازش می‌کند، جایی که همه چیز به‌طور کارآمد و در یک مکان پردازش می‌شود.
