پژوهشگران رفتار عصبی پیکانی را از یک جفت ترانزیستور استخراج کردند
تاریخ انتشار:
مقدمه
استفاده روزافزون از انرژی در هوش مصنوعی باعث شده تا بسیاری از افراد به دنبال راه‌هایی برای کاهش مصرف انرژی آن باشند. یکی از گزینه‌ها توسعه پردازنده‌هایی است که با نیازهای محاسباتی شبکه‌های عصبی سازگاری بیشتری داشته باشند. این شبکه‌ها به دفعات زیادی به حافظه مراجعه کرده و نیاز به ارتباطات زیادی بین نورون‌های مصنوعی دارند که ممکن است لزوماً در یک پردازنده قرار نداشته باشند. پردازنده‌های "نورومورفیک"، این رویکرد جایگزین به سخت‌افزار، معمولاً دارای تعداد زیادی واحد پردازش کوچک و اختصاصی با حافظه خود و شبکه داخلی گسترده‌ای هستند که آن‌ها را به هم متصل می‌کند.
پردازنده‌های نورومورفیک
نمونه‌هایی مانند چیپ‌های لوئیهی اینتل معمولاً عملکرد رقابتی را با سرعت‌های کلاک و مصرف انرژی بسیار پایین‌تر به دست می‌آورند، اما برای این کار به مقدار زیادی سیلیکون نیاز دارند. گزینه‌های دیگر به طور کامل از سیلیکون صرف‌نظر کرده و محاسبات مربوطه را در قالب حافظه تغییر فاز انجام می‌دهند.
تحقیق جدید
مقاله‌ای که روز چهارشنبه در نشریه نیچر منتشر شد، راهی را برای وادار کردن ترانزیستورهای سیلیکونی معمولی به رفتار شبیه به نورون واقعی توصیف می‌کند. و برخلاف پردازنده‌های اختصاصی که تاکنون ساخته شده‌اند، این روش تنها به دو ترانزیستور نیاز دارد.
پژوهشگران و شرایط جدید
این کار جدید توسط همکاری پژوهشگران در عربستان سعودی و سنگاپور انجام شده است. هدف آن‌ها ساده‌سازی الزامات اولیه برای محاسبات نورومورفیک به گونه‌ای بود که با فناوری‌های موجود سیلیکونی سازگار باشد. برای این کار، آن‌ها به پدیده‌ای متکی شدند که معمولاً در حین کارکرد پردازنده‌های سیلیکونی معمولی به عنوان یک مشکل در نظر گرفته می‌شود.
شرایط عبور از ترانزیستور
به طور خاص، پژوهشگران یک ترانزیستور را تحت شرایطی به نام "شرایط عبور" کار می‌کنند. این اتفاق زمانی می‌افتد که بارها در یک نیمه‌رسانا جمع می‌شوند به گونه‌ای که می‌تواند به پالس‌های جریان اجازه عبور از ترانزیستور را حتی زمانی که در حالت خاموش است، بدهد. معمولاً این موضوع به عنوان یک مشکل در نظر گرفته می‌شود، بنابراین پردازنده‌ها به گونه‌ای ساخته می‌شوند که این اتفاق نیفتد. اما پژوهشگران تشخیص دادند که یک رویداد عبور شبیه به پیک فعالیت یک نورون خواهد بود.
کنترل فعالیت نورونی
تیم پژوهش دریافت که وقتی دستگاه به گونه‌ای تنظیم شود که در آستانه حالت عبور عمل کند، می‌توان از ولتاژ گیت برای کنترل تجمع بار در سیلیکون استفاده کرد، به طوری که یا دستگاه خاموش شود یا پیک‌های فعالیتی که شبیه به نورون‌ها هستند، فعال شوند. تنظیمات این ولتاژ می‌تواند اجازه دهد تا فرکانس‌های مختلفی از پیک‌ها ایجاد شود. این تنظیمات همچنین می‌توانند با استفاده از پیک‌ها انجام شوند، به طوری که فعالیت پیک‌ها بتواند وزن‌های ورودی‌های مختلف را تنظیم کند.
عملکرد در دو حالت
با کارکردن مفهوم پایه، تیم پژوهش فهمید که چگونه سخت‌افزار را در دو حالت مختلف عمل کند. در یکی از این حالت‌ها، این دستگاه به عنوان یک سیناپس مصنوعی عمل می‌کند که قادر است به هر یک از شش (و احتمالاً بیشتر) وزن تنظیم شود، به این معنی که قدرت سیگنال‌هایی که به نورون‌های مصنوعی در لایه بعدی یک شبکه عصبی منتقل می‌کند، را تعیین می‌کند. این وزن‌ها ویژگی کلیدی شبکه‌های عصبی مانند مدل‌های زبانی بزرگ هستند.
عملکرد به عنوان نورون
اما هنگامی که با یک ترانزیستور دوم ترکیب می‌شود تا رفتار آن را مدوله کند، امکان دارد که ترانزیستور به عنوان یک نورون عمل کند و ورودی‌ها را به گونه‌ای ادغام کند که بر فرکانس پیک‌هایی که به نورون‌های مصنوعی دیگر ارسال می‌کند، تأثیر بگذارد. فرکانس پیک می‌تواند در شدت تا ۱۰۰۰ برابر متغیر باشد. و این رفتار برای بیش از ۱۰ میلیون چرخه کلاک پایدار بود.
مزایا و معایب
تمام این موارد تنها به ترانزیستورهای استاندارد ساخته شده با فرآیندهای CMOS نیاز داشت، بنابراین این موضوع می‌تواند به سرعت به عمل درآید. اما این مزایا چه هستند؟ این فناوری تنها به دو ترانزیستور نیاز دارد، به این معنی که می‌توان تعداد زیادی از این دستگاه‌ها را روی یک چیپ قرار داد. پژوهشگران ادعا می‌کنند که "از منظر سیناپسی، یک دستگاه می‌تواند در اصل جایگزین حافظه دسترسی تصادفی ایستا (یک سلول حافظه فرار که شامل حداقل شش ترانزیستور است) در شبکه‌های عصبی با وزن باینری شود، یا فلش تعبیه شده در آرایه‌های سیناپسی چندسطحی، با مزیت فوری کاهش قابل توجه در مساحت و هزینه به ازای هر بیت."
کاهش مصرف انرژی
این موضوع همچنین عواقب واضحی برای مصرف انرژی دارد، زیرا برای دستیابی به تعداد بسیار بالایی از نورون‌های مصنوعی، به سخت‌افزار بسیار کمتری نیاز خواهید داشت. نویسندگان تخمین می‌زنند که نیازهای انرژی مشابه برخی از پیاده‌سازی‌هایی است که به ممریستورها متکی هستند و نیازی به انرژی برای نگهداری ندارند.
چالش‌های موجود
با این حال، مسائل به سادگی "شما تنها به دو ترانزیستور نیاز دارید" نیستند. یک چیپ که به این دستگاه‌ها متکی است، همچنین به سخت‌افزاری نیاز دارد که وضعیت آن‌ها را کنترل کند و احتمالاً به طور مکرر آن را بازنشانی کند. در حالی که پایداری ۱۰ میلیون چرخه کلاک خوب به نظر می‌رسد، بسیاری از سخت‌افزارهای فعلی در سرعت‌هایی عمل می‌کنند که به این معنی است که این دستگاه چندین بار در ثانیه حالت خود را از دست می‌دهد. (اگرچه، به طور عادلانه، پردازنده‌های نورومورفیک معمولاً در سرعت‌های کلاک بسیار پایین‌تری عمل می‌کنند.) همچنین مسئله ارتباطات وجود دارد؛ پیک‌ها باید به جایی ارسال شوند تا اهمیت داشته باشند، بنابراین هر چیپی که بر اساس این سیستم ساخته می‌شود، باید پیگیری کند که کجا و دسترسی به یک شبکه ارتباطی داشته باشد که پیک‌ها را به آنجا برساند.
چالش‌های شبکه‌های عصبی پیکانی
مسئله دیگر این است که این دستگاه‌ها از طریق پیک‌ها کار می‌کنند نه اینکه به سادگی نوعی خروجی عددی ارسال کنند. ممکن است تقریباً هر شبکه عصبی را به عنوان یک شبکه عصبی پیکانی اجرا کرد، اما چالش‌های قابل توجهی وجود دارد، مانند تبدیل ورودی به یک سری پیک‌ها در وهله اول. همچنین عملکرد همیشه به خوبی شبکه‌های غیرپیکانی در هر مورد استفاده نیست.
نتیجه‌گیری
با این حال، با توجه به اینکه مصرف انرژی هوش مصنوعی ما را در معرض خطر بیشتری برای فراتر رفتن از تمام اهداف اقلیمی‌مان قرار می‌دهد، احتمالاً خوب است که هر چه بیشتر گزینه‌ها برای کاهش هزینه‌های انرژی داشته باشیم.
