مدارات مارپیچی در خدمت هوش مصنوعی کارآمدتر
محققان انستیتو علوم صنعتی در دانشگاه توکیو، سخت افزار کامپیوتری ویژه ای را طراحی کرده اند که متشکل است از اجتماع ماژول های حافظه در یک مارپیچ سه بعدی برای به کارگیری در برنامه های مرتبط با AI . این تحقیقات ممکن است راهی را برای نسل بعدی دستگاه های هوش مصنوعی با بهره وری انرژی بالا باز کند.
یادگیری ماشین، نوعی از هوش مصنوعی است که به کامپیوترها اجازه می دهد ، از طریق داده های نمونه آموزش یابند تا بتوانند پیش بینی هایی را برای مسائل جدید ارائه دهند. به عنوان مثال، یک الگوریتم بلندگو هوشمند مانند Alexa می تواند یادبگیرد که دستورات صوتی شما را متوجه شود ، بنابراین می تواند خواسته شما را حتی وقتی برای اولین بار از او چیزی می‌خواهید درک کند.
با این وجود، هوش مصنوعی برای آموزش دیدن به انرژی الکتریکی زیادی احتیاج دارد و در نتیجه در معرض نگرانی های رو به افزایش در زمینه تغییرات نامطلوب اقلیمی قرار می گیرد.
اکنون دانشمندان انستیتو علوم صنعتی در دانشگاه توکیو طراحی جدیدی را برای مجتمع کردن ماژول‌های حافظه با دسترسی تصادفی )RAM( مقاوم ، با استفاده از نیمه هادی اکسید )IGZO( در یک مارپیچ سه بعدی ایجاد کرده‌اند.
داشتن حافظه غیر فرار بر روی تراشه ای که در نزدیکی پردازنده ها قرار دارد ، باعث می شود فرآیند آموزش ماشین بسیار سریعتر و با مصرف انرژی بهینه تری انجام شود.این امر به این دلیل است که سیگنالهای الکتریکی در مقایسه با سخت افزار رایانه های معمولی مسافت بسیار کمتری برای طی نمودن پیش رو دارند.
مجتمع کردن چندین لایه از مدارها یک اقدام طبیعی است، زیرا آموزش دادن الگوریتم اغلب به اجرای همزمان و موازی بسیاری از اعمال ریاضی نیاز دارد.
یکی از محققین پروژه می گوید :
"برای این برنامه ها ، خروجی هر لایه به طور معمول به ورودی لایه بعدی وصل می شود. معماری ما نیاز به مدارات اتصال داخلی را به شدت کاهش می دهد."
این تیم همچنین با پیاده سازی سیستمی از شبکه های عصبی دوتایی ، موفق شدند به سطح بالاتری از بهره وری مصرف انرژی نیز دست یابند. پارامترهای به جای آنکه به صورت روتین اجازه پذیرش هر عددی را داشته باشند به پذیرفتن اعداد 1+ و 1- محدود شده اند. این کار هم سخت افزار مورد استفاده را بسیار ساده تر می کند و هم مقادیر داده ای را که باید ذخیره شود فشرده سازی می‌نماید.
آنها دستگاه را با استفاده از یک عمل مشترک در AI آزمایش کردند : تفسیر یک بانک اطلاعاتی شامل دست نوشته هایی از اعداد. دانشمندان دریافتند که افزایش اندازه هر لایه مدار می تواند دقت این الگوریتم نمونه را تا حداکثر 90% افزایش دهد.
کوبیاشی مدیر ارشد پروژه می گوید :
از آنجایی که AI به طور فزاینده ای در زندگی روزمره ما ادغام می شود، برای کاهش مصرف انرژی به سخت افزارهای تخصصی تری نیاز داریم تا این وظیفه را به نحو احسن انجام دهند.
این پروژه همچنین یک گام مهم به سوی "اینترنت اشیا" است، که در آن بسیاری از وسایل کوچک مجهز به هوش مصنوعی به عنوان بخشی از یک "خانه هوشمند" مجتمع می شوند.