محققان MIT می گویند که یادگیری عمیق آنالوگ محاسبات هوش مصنوعی سریعتر با مصرف انرژی کمتر را ارائه می دهد.

محققان MIT می گویند که یادگیری عمیق آنالوگ محاسبات هوش مصنوعی سریعتر با مصرف انرژی کمتر را ارائه می دهد.

میزان زمان، تلاش و پول مورد نیاز برای آموزش مدل‌های شبکه عصبی پیچیده‌تر در حال افزایش است زیرا محققان محدودیت‌های یادگیری ماشین را پیش می‌برند. یادگیری عمیق آنالوگ، شاخه جدیدی از هوش مصنوعی، نوید محاسبات سریعتر با مصرف انرژی کمتر را می دهد.

یافته های این تحقیق در مجله “Science” منتشر شد. مقاومت های قابل برنامه ریزی بلوک های اصلی در یادگیری عمیق آنالوگ هستند، درست مانند ترانزیستورها عناصر اصلی پردازنده های دیجیتال. با تکرار آرایه‌هایی از مقاومت‌های قابل برنامه‌ریزی در لایه‌های پیچیده، محققان می‌توانند شبکه‌ای از «نورون‌ها» و «سیناپس» مصنوعی آنالوگ ایجاد کنند که محاسبات را درست مانند یک شبکه عصبی دیجیتال انجام می‌دهند.

این شبکه را می‌توان برای دستیابی به آن آموزش داد. وظایف پیچیده AI مانند تشخیص تصویر و پردازش زبان طبیعی.

یک تیم چند رشته ای از محققان MIT راه اندازی کردند. تا محدودیت‌های سرعت نوعی سیناپس آنالوگ ساخت بشر را که قبلاً توسعه داده بودند، افزایش دهند. آنها از یک ماده معدنی عملی در فرآیند ساخت استفاده کردند که دستگاه هایشان را قادر می سازد ۱ میلیون بار سریعتر از نسخه های قبلی کار کنند، که همچنین حدود ۱ میلیون برابر سریعتر از سیناپس های مغز انسان است.

به علاوه، مواد معدنی همچنین مقاومت را بسیار کارآمد می کند. برخلاف مواد مورد استفاده در نسخه قبلی دستگاه خود، مواد جدید با تکنیک های ساخت سیلیکون سازگار است. این تغییر امکان ساخت دستگاه‌هایی در مقیاس نانومتری را فراهم کرده است و می‌تواند راه را برای ادغام با سخت‌افزار محاسباتی تجاری برای کاربردهای یادگیری عمیق هموار کند.

“با این بینش کلیدی و تکنیک‌های بسیار قدرتمند نانوساخت ما در MIT «نانو»، ما توانسته‌ایم این قطعات را کنار هم بچینیم و نشان دهیم که این دستگاه‌ها ذاتاً بسیار سریع هستند و با ولتاژهای معقول کار می‌کنند.» EECS). “این کار واقعاً این دستگاه‌ها را در نقطه‌ای قرار داده است که اکنون برای کاربردهای آینده بسیار امیدوارکننده به نظر می‌رسند.”

“مکانیسم کار این دستگاه، وارد کردن الکتروشیمیایی کوچک‌ترین یون، پروتون، در یک دستگاه است. بیلگه یلدیز، نویسنده ارشد این مقاله توضیح داد: از آنجایی که ما با دستگاه های بسیار نازک کار می کنیم، اکسید عایق برای تعدیل رسانایی الکترونیکی آن است. پروفسور Breene M. Kerr در بخش علوم و مهندسی هسته ای و علوم و مهندسی مواد.

“پتانسیل عمل در سلول های بیولوژیکی با مقیاس زمانی میلی ثانیه افزایش و کاهش می یابد زیرا اختلاف ولتاژ حدود ۰.۱ ولت است. جو لی، نویسنده ارشد علوم و مهندسی هسته ای و استاد علوم و مهندسی مواد، می گوید: «در اینجا ما حداکثر ۱ را اعمال می کنیم. ۰ ولت روی یک لایه شیشه جامد ویژه با ضخامت نانو که پروتون ها را بدون آسیب دائمی هدایت می کند. و هرچه میدان قوی‌تر باشد، دستگاه‌های یونی سریع‌تر می‌شوند.”

این مقاومت‌های قابل برنامه‌ریزی، سرعت آموزش شبکه عصبی را به شدت افزایش می‌دهند، در حالی که هزینه و انرژی برای اجرای آن آموزش را به شدت کاهش می‌دهند. این می‌تواند کمک کند. دانشمندان مدل‌های یادگیری عمیق را بسیار سریع‌تر توسعه می‌دهند، که می‌تواند در مواردی مانند اتومبیل‌های خودران، تشخیص تقلب یا تجزیه و تحلیل تصویر پزشکی استفاده شود.

“زمانی که یک پردازنده آنالوگ داشته باشید، دیگر نخواهید بود. شبکه های آموزشی که همه روی آن کار می کنند. شما شبکه‌هایی با پیچیدگی‌های بی‌سابقه‌ای را آموزش می‌دهید که هیچ‌کس دیگر نمی‌تواند از عهده آن برآید، و بنابراین عملکرد بسیار بهتری از همه آنها خواهید داشت. به عبارت دیگر، این یک ماشین سریعتر نیست، این یک فضاپیما است.”

نظرات کاربران

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.