تراشه ای که خودش اشتباهات را متوجه می شود و تصحیح می کند
شاپ: یک تراشه الهام گرفته از مغز بطور مستقل اشتباهات را متوجه می شود و تصحیح می کند. این تراشه که توسط دانشمندان کره ای تولید شده است، با یادگیری و اصلاح خطاها بر چالش موجود در دستگاه های نورومورفیک موجود غلبه می کند.
به گزارش شاپ به نقل از ایسنا، گروهی از محققان مؤسسه علوم و فناوری پیشرفته کره(KAIST) در کره جنوبی یک تراشه یکپارچه مبتنی بر ممریستور(مقاومت حافظه دار) ساخته اند که روش پردازش اطلاعات در مغز را تقلید می کند.
این گروه به رهبری پروفسورها سینهیون چوی(Shinhyun Choi) و یانگ گیو یون(Young-Gyu Yoon) یک تراشه نورومورفیک نسل جدید که یک نیمه رسانای فوق العاده کوچک است که اشتباهات را بطور مستقل یاد می گیرد و تصحیح می کند، ساخته اند.
این تراشه حال برای استقرار در دستگاه های مختلف مانند دوربین های امنیتی هوشمند که فوراً کارهای مشکوک را بدون تکیه بر سرورهای ابری شناسایی می کنند و دستگاه های پزشکی که داده های سلامت را در لحظه تحلیل و بررسی می کنند، آماده است.
حل چالش ها در دستگاه های نورومورفیک
مهندسی نورومورفیک (neuromorphic) یا به اختصار نورومورفیک که «محاسبات عصبی» نیز نامیده می شود، مفهومی است که در اواخر دهه ۱۹۸۰ توسط کارور مید (Carver Mead) توسعه یافته و به مدلول استفاده از سیستم های مجتمع سازی در مقیاس بسیار بزرگ (VLSI) حاوی مدارهای آنالوگ الکترونیکی، برای تقلید (شبیه سازی) معماری عصبی و بیولوژیکی موجود در سیستم عصبی است.
هم اکنون اصطلاح نورومورفیک برای توصیف سیستم های آنالوگ، دیجیتال، سیستم های مختلط آنالوگ / دیجیتال و نرم افزارهایی که سیستم های عصبی را مدل سازی می کنند، به کار می رود. اجرای محاسبات عصبی در سطح سخت افزار را می توان با ممریستورها و ترانزیستورها تحقق بخشید.
جنبه اصلی مهندسی نورومورفیک درک چگونگی مورفولوژی نورون های ویژه، مدارها، برنامه ها و معماری های جامع است که بر نحوه ارائه اطلاعات و بر استواری در مقابل لطمه ها تأثیر می گذارد و یادگیری و توسعه و سازگاری با تغییرات محلی (انعطاف پذیری) را ترکیب می کند و تغییر تکاملی را آسان می کند.
حال این تراشه جدید محاسباتی به سبب توانایی در یادگیری و تصحیح خطاهای ناشی از خاصیت های غیر ایده آل که چالشی در دستگاه های نورومورفیک موجود است، متمایز است. به عنوان مثال، هنگام پردازش ویدیوها می تواند بطور خودکار اجسام متحرک را از پس زمینه جدا کند و عملکرد خودرا در طی زمان بهبود بخشد.
این تراشه خودآموز، توانایی های خودرا با دستیابی به دقت قابل مقایسه با شبیه سازی های کامپیوتری ایده آل در پردازش تصویر لحظه ای نشان داده است. موفقیت کلیدی تیم تحقیقاتی در ایجاد سیستمی نه فقط قابل اعتماد بلکه کاربردی است و از توسعه اجزای فردی شبیه به مغز پیشی می گیرد.
محور اصلی این نوآوری یک دستگاه نیمه رسانای نسل جدید به نام ممریستور است. خاصیت های مقاومت متغیر آن نقش سیناپس ها در شبکه های عصبی را تقلید می کند و ذخیره و محاسبات همزمان داده ها را ممکن می کند که بسیار شبیه به عملکرد سلول های مغز ماست.
ممریستور دقیقاً تغییرات مقاومت را کنترل می کند و یک سیستم کارآمد به وجود می آورد که نیاز به جبران پیچیده را بوسیله خودآموزی مرتفع می کند.
این مطالعه از این جهت مهمست که پتانسیل تجاری یک سیستم نورومورفیک نسل جدید را برای یادگیری و استنتاج در لحظه نشان میدهد.
تسریع وظایف پردازش هوش مصنوعی بصورت درجا برای بهبود سرعت
پلت فرم های مبتنی بر ممریستور می توانند سیستم های محاسباتی واقع در لبه حوزه هوش مصنوعی فشرده و کم مصرف را به سبب توانایی آنها در انجام محاسبات موازی در عرصه آنالوگ فعال کنند. با این وجود، سیستم های مبتنی بر آرایه ممریستور در پیاده سازی الگوریتم های هوش مصنوعی در لحظه با یادگیری روی دستگاه به سبب مشکلات قابلیت اطمینان مانند عملکرد ضعیف، یکنواختی ضعیف و مشکلات استقامتی با چالش هایی مواجهند.
حال این فناوری در نظر دارد نحوه ادغام هوش مصنوعی را در دستگاه های روزمره تغییر دهد و وظایف هوش مصنوعی را بصورت درجا پردازش کند.
این مطالعه اشاره دارد که این امر اتکا به سرورهای ابری راه دور را می کاهد و دستگاهها را سریع تر، ایمن تر و کارآمدتر می کند.
دانشمندان در مقاله خود آورده اند: ما از ممریستورهای مبتنی بر اکسید تیتانیوم با توزیع تدریجی اکسیژن استفاده می نماییم که قابلیت اطمینان بالا، خطی بودن بالا، خاصیت های بدون انباشت و خود اصلاحی را نشان می دهند. این پلت فرم می تواند الگوریتم های هوش مصنوعی را در عرصه آنالوگ بوسیله «خود کالیبراسیون»، بدون نیاز به جبران یا پیش آموزش اجرا نماید.
بگفته محققانی که توسعه این فناوری را رهبری کردند، این سیستم مانند یک فضای کاری هوشمند عمل می کند که در آن همه چیز به آسانی قابل دسترس است.
بگفته پژوهشگران، این سیستم همین طور نحوه پردازش اطلاعات توسط مغز را بازتاب می دهد، جایی که همه چیز بطور مؤثر در یک مکان واحد به کار گرفته می شود.
این مطالعه در مجله Nature Electronics انتشار یافته است.
منبع: شاپ
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب