با هوش مصنوعی شبه مغز؛
به گزارش خبرنگاری فناوری خبرگزاری دانشجو محققان کالج دانشگاهی لندن راهی یافتند تا دقت سیستم‌های محاسباتی الهام گرفته از مغز را بهبود داده و هوش مصنوعی کم مصرف‌تری بسازند. این سیستم برای ساخت شبکه عصبی مصنوعی از ممریستورها (مقاومت حافظه‌دار از المان‌های دو پایانه‌ای مدار‌ها هستند) استفاده می‌کند که حداقل ۱۰۰۰ برابر کارآمدتر از انرژی هوش مصنوعی سخت‌افزاری معمولی مبتنی بر ترانزیستورهاست، اما هنوز این سیستم جدید مستعد خطاست.
هوش‌های مصنوعی موجود مصرف انرژی بالایی دارند. با آموزش یک مدل هوش مصنوعی می‌توان ۲۸۴ تن کربن‌دی‌اکسید تولید کرد که معادل انتشار مادام‌العمر کربن‌دی‌اکسید توسط پنج اتومبیل است. جایگزینی ترانزیستور‌ها که همه دستگاه‌های دیجیتالی را تشکیل می‌دهند با ممریستورها که دستگاه الکترونیکی جدید هستند و اولین بار در سال ۲۰۰۸ ساخته شده اند، می‌تواند این مقدار را به کسری از یک تن کربن‌دی‌اکسید کاهش دهد.
از آنجایی که ممریستورها بسیار کم‌مصرف‌تر از سیستم‌های محاسباتی موجود هستند، به طور بالقوه می‌توانند مقدار زیادی محاسبات را در دستگاه‌های دستی گردآوری کرده و نیاز به اتصال به اینترنت را از بین ببرند. این امر از اهمیت ویژه‌ای برخوردار است، زیرا انتظار می‌رود در آینده وابستگی بیش از حد به اینترنت به‌علت افزایش تقاضای داده و عدم افزایش ظرفیت انتقال داده از یک نقطه خاص، مشکل‌ساز شود. در مطالعه جدید، محققان انگلیسی دریافتند که با جمع آوری ممریستورها در چندین زیر گروه شبکه عصبی و استفاده از میانگین محاسبات می‌توان دقت را بسیار بهبود بخشید.
ممریستورها «مقاومت‌های با حافظه» نامیده می‌شوند، زیرا آن‌ها مقدار بار الکتریکی که در آن‌ها جریان داشته است را حتی بعد از خاموش شدن نیز در حافظه دارند. این دستگاه‌ها که اولین بار در دهه گذشته ساخته شدند، انقلابی در الکترونیک ایجاد کردند و یک حلقه گمشده در الکترونیک برای تکمیل مقاومت‌ها، خازن‌ها و القاگر‌ها به حساب می‌آمدند. از آن زمان ممریستورها بصورت تجاری در دستگاه‌های حافظه دار استفاده شدند، اما این تیم تحقیقاتی بیان کرده‌اند که این دستگاه می‌تواند طی سه سال آینده برای تولید سیستم‌های هوش مصنوعی نیز استفاده شود.
ممریستورها بهره‌وری بسیار پیشرفتهای را ارائه می‌دهند و می‌توان اطلاعات قابل قبولی را در هر بیت قرار داد. علاوه بر این، ممریستورها اغلب به عنوان یک فرم محاسباتی نوروفورمیک (الهام گرفته از مغز) توصیف می‌شوند، زیرا پردازش و حافظه را شبیه به مغز انجام می‌دهند.
در این مطالعه محققان رویکرد جدید خود را در چندین نوع مختلف از ممریستورها آزمایش کرده و دریافتند که صرف‌نظر از ماده و فناوری ممریستورها، رویکرشان باعث افزایش دقت در همه آن‌ها شده است. آن‌ها دریافتند که این رویکرد باعث افزایش دقت شبکه‌های عصبی در کار‌های معمولی هوش مصنوعی در مقایسه با ابزار‌های نرم‌افزاری استفاده شده در سخت‌افزار دیجیتال‌های معمولی می‌شود.
محققان معتقدند که در رویکرد آن‌ها وقتی صحبت از ممریستورها می‌شود، چندین هد بهتر از یکی است. همچنین چیدن شبکه عصبی به چندین شبکه کوچک‌تر به جای یک شبکه بزرگ، منجر به دقت بالاتری می‌شود. اکنون زمان آن رسیده که ممریستورها نقش مهمی در دوره انرژی پایدار داشته باشند.
هوش‌های مصنوعی موجود مصرف انرژی بالایی دارند. با آموزش یک مدل هوش مصنوعی می‌توان ۲۸۴ تن کربن‌دی‌اکسید تولید کرد که معادل انتشار مادام‌العمر کربن‌دی‌اکسید توسط پنج اتومبیل است. جایگزینی ترانزیستور‌ها که همه دستگاه‌های دیجیتالی را تشکیل می‌دهند با ممریستورها که دستگاه الکترونیکی جدید هستند و اولین بار در سال ۲۰۰۸ ساخته شده اند، می‌تواند این مقدار را به کسری از یک تن کربن‌دی‌اکسید کاهش دهد.
از آنجایی که ممریستورها بسیار کم‌مصرف‌تر از سیستم‌های محاسباتی موجود هستند، به طور بالقوه می‌توانند مقدار زیادی محاسبات را در دستگاه‌های دستی گردآوری کرده و نیاز به اتصال به اینترنت را از بین ببرند. این امر از اهمیت ویژه‌ای برخوردار است، زیرا انتظار می‌رود در آینده وابستگی بیش از حد به اینترنت به‌علت افزایش تقاضای داده و عدم افزایش ظرفیت انتقال داده از یک نقطه خاص، مشکل‌ساز شود. در مطالعه جدید، محققان انگلیسی دریافتند که با جمع آوری ممریستورها در چندین زیر گروه شبکه عصبی و استفاده از میانگین محاسبات می‌توان دقت را بسیار بهبود بخشید.
ممریستورها «مقاومت‌های با حافظه» نامیده می‌شوند، زیرا آن‌ها مقدار بار الکتریکی که در آن‌ها جریان داشته است را حتی بعد از خاموش شدن نیز در حافظه دارند. این دستگاه‌ها که اولین بار در دهه گذشته ساخته شدند، انقلابی در الکترونیک ایجاد کردند و یک حلقه گمشده در الکترونیک برای تکمیل مقاومت‌ها، خازن‌ها و القاگر‌ها به حساب می‌آمدند. از آن زمان ممریستورها بصورت تجاری در دستگاه‌های حافظه دار استفاده شدند، اما این تیم تحقیقاتی بیان کرده‌اند که این دستگاه می‌تواند طی سه سال آینده برای تولید سیستم‌های هوش مصنوعی نیز استفاده شود.
ممریستورها بهره‌وری بسیار پیشرفتهای را ارائه می‌دهند و می‌توان اطلاعات قابل قبولی را در هر بیت قرار داد. علاوه بر این، ممریستورها اغلب به عنوان یک فرم محاسباتی نوروفورمیک (الهام گرفته از مغز) توصیف می‌شوند، زیرا پردازش و حافظه را شبیه به مغز انجام می‌دهند.
در این مطالعه محققان رویکرد جدید خود را در چندین نوع مختلف از ممریستورها آزمایش کرده و دریافتند که صرف‌نظر از ماده و فناوری ممریستورها، رویکرشان باعث افزایش دقت در همه آن‌ها شده است. آن‌ها دریافتند که این رویکرد باعث افزایش دقت شبکه‌های عصبی در کار‌های معمولی هوش مصنوعی در مقایسه با ابزار‌های نرم‌افزاری استفاده شده در سخت‌افزار دیجیتال‌های معمولی می‌شود.
محققان معتقدند که در رویکرد آن‌ها وقتی صحبت از ممریستورها می‌شود، چندین هد بهتر از یکی است. همچنین چیدن شبکه عصبی به چندین شبکه کوچک‌تر به جای یک شبکه بزرگ، منجر به دقت بالاتری می‌شود. اکنون زمان آن رسیده که ممریستورها نقش مهمی در دوره انرژی پایدار داشته باشند.
ارسال نظرات