‏هوش مصنوعی با الگوبرداری از مغز، ۲۰۰۰ برابر کارآمدتر می‌شود: پژوهش

‏سیستم‌های هوش مصنوعی، مانند چت‌جی‌پی‌تی یا کلود، به دلیل مصرف انرژی بالا شناخته شده‌اند. این سیستم‌ها برای ذخیره داده‌ها در یک مکان و پردازش آن در مکانی دیگر، نیاز به انتقال مداوم داده‌ها دارند. این یک مشکل است که اکنون با تحقیقات جدید قابل حل است.

طراحی دستگاه جدید

تیمی از فیزیکدانان دانشگاه لاگبورو دستگاهی را طراحی کرده‌اند که می‌تواند داده‌های در حال تغییر در طول زمان را مستقیماً در سخت‌افزار پردازش کند. سیستم‌های سنتی در گذشته برای انجام این کار به روش‌های مبتنی بر نرم‌افزار متکی بوده‌اند.

تراشه الهام گرفته از مغز

تراشه الهام گرفته از مغز که توسط محققان @LboroScienceresearchers توسعه یافته است، می‌تواند برخی از وظایف هوش مصنوعی را تا 2000 برابر کارآمدتر از نظر مصرف انرژی کند.
این دستگاه داده‌ها را مستقیماً در سخت‌افزار پردازش می‌کند و مسیری جدید برای سیستم‌های هوش مصنوعی کم‌مصرف‌تر و پایدارتر ارائه می‌دهد.

کارایی انرژی

محققان با این تراشه جدید استدلال می‌کنند که می‌تواند 2000 برابر کارآمدتر از روش‌های موجود از نظر مصرف انرژی باشد.
دکتر پاول بوریسوف، نویسنده اصلی این مطالعه، در بیانیه‌ای گفت: «این موضوع هیجان‌انگیز است زیرا نشان می‌دهد که می‌توانیم در مورد نحوه ساخت سیستم‌های هوش مصنوعی تجدیدنظر کنیم. با استفاده از فرآیندهای فیزیکی به جای تکیه کامل بر نرم‌افزار، می‌توانیم انرژی مورد نیاز برای این نوع وظایف را به طور چشمگیری کاهش دهیم.»

مقایسه با سیستم‌های سنتی

در حالی که سیستم‌های هوش مصنوعی سنتی شبیه به ارسال اسناد به عقب و جلو بین دو دفتر (حافظه و پردازنده) بارها و بارها هستند، با این تراشه جدید، می‌توان آن را مانند داشتن یک دفتر هوشمندتر در نظر گرفت که همه چیز را در یک مکان انجام می‌دهد.

عملکرد تراشه

در قلب این تراشه یک مقاومت حافظه وجود دارد، یک تراشه حافظه که سیگنال‌های گذشته را به خاطر می‌آورد. این حافظه نحوه پاسخگویی آن به سیگنال‌های جدید را تغییر می‌دهد – به عبارت دیگر، فقط دستورالعمل‌ها را دنبال نمی‌کند، بلکه از تاریخچه یاد می‌گیرد. این یک ایده است که بر اساس مغز انسان مدل‌سازی شده است.
دکتر بوریسوف گفت: «با الهام از نحوه شکل‌گیری اتصالات عصبی بسیار زیاد و ظاهراً تصادفی مغز انسان بین تمام نورون‌های آن، ما اتصالات فیزیکی پیچیده و تصادفی را در یک شبکه عصبی مصنوعی ایجاد کردیم. این کار را با طراحی منافذ در لایه‌های نانومتری نازک اکسید نیوبیم به عنوان بخشی از یک دستگاه الکترونیکی جدید انجام دادیم.»
وی افزود: «ما نشان دادیم که چگونه می‌توان تکامل آینده یک سری زمانی پیچیده را با استفاده از این دستگاه‌ها با مصرف انرژی تا دو هزار برابر کمتر از یک راه‌حل مبتنی بر نرم‌افزار استاندارد پیش‌بینی کرد.»

کاربردهای هوش مصنوعی

هوش مصنوعی اغلب برای پردازش داده‌هایی استفاده می‌شود که در طول زمان تغییر می‌کنند، مانند گزارش‌های آب و هوا، ردیابی بازار سهام یا تجزیه و تحلیل امواج. این داده‌ها ممکن است تصادفی نباشند، اما به تغییرات کوچک حساس هستند.
برای این نوع اندازه‌گیری‌های آشفته‌تر، سیستم‌های هوش مصنوعی سنتی باید از مقادیر زیادی انرژی برای همگام شدن با تمام تغییرات کوچک استفاده کنند و اطلاعات را به عقب و جلو ارسال کنند. این تراشه جدید می‌تواند برای این سیستم‌های آشفته‌تر کاملاً طراحی شده باشد.
با تجزیه و تحلیل اندازه‌گیری‌ها و تجربیات گذشته، تراشه بهتر یاد می‌گیرد که این نوع اندازه‌گیری‌های آشفته را ردیابی و درک کند و در نتیجه خروجی انرژی مورد نیاز را کاهش می‌دهد.

کاربردها و اهداف

در حالی که ما اغلب به هوش مصنوعی به عنوان چیزی شبیه چت‌جی‌پی‌تی یا نرم‌افزار تشخیص چهره فکر می‌کنیم، این فناوری امروزه در اکثر برنامه‌ها یافت می‌شود. این ابزار نه برای اطلاعات ثابت، مانند یک چت‌بات، بلکه برای اطلاعات وابسته به زمان در نظر گرفته شده است.
دکتر بوریسوف به دکریپت گفت: «ضربان قلب، فعالیت الکتریکی مغز، دمای بیرون. همه اینها هر روز در حال تغییر هستند. برنامه‌های کاربردی توانمندی وجود دارند که این موارد را ردیابی می‌کنند، اما پرهزینه هستند و به یک اتصال آنلاین پایدار به یک سرور نیاز دارند.»
اینها حوزه‌هایی هستند که این تراشه می‌تواند در آنها پیاده‌سازی شود و سیستم‌های هوشمندتری را برای داده‌هایی ایجاد کند که پایدار نیستند و اغلب در طول زمان تغییر می‌کنند.
وی افزود: «هدف نهایی من این است که این نوع فناوری در یک سیگنال وابسته به زمان استفاده شود. چه در یک ماشین، یک ربات، یک نیروگاه هسته‌ای یا یک ساعت هوشمند. به عنوان مثال، برای نظارت بر اینکه آیا کسی سکته مغزی کرده است یا خیر، نظارت بر سلامت موتور خودرو یا اینکه راکتور هسته‌ای به طور معمول کار می‌کند، و این نوع موارد.»