دستاورد محقق ایرانی دانشگاه کمبریج: توسعه تراشه هوش مصنوعی با کاهش ۷۰ درصدی مصرف انرژی

تقلید از قابلیت‌های مغز یکی از ترندهای مهم صنعت تولید تراشه و هوش مصنوعی است که محققان سال‌هاست در این زمینه مشغول تحقیق و مطالعه هستند. از لحاظ تئوری برای رسیدن به عملکرد مغز با توان تنها ۲۰ وات، به هزاران تراشه H100 انویدیا با توان ۷۰۰ وات برای هر چیپ نیاز است. این‌بار اما یک محقق ایرانی همراه با تیم خود توانسته به فناوری جدیدی برسد که انرژی لازم برای این کار را تا ۷۰ درصد کاهش دهد.

کاهش چشمگیر مصرف تراشه‌های هوش مصنوعی در شبیه‌سازی مغز انسان؟

در پژوهشی تازه، محققان دانشگاه کمبریج دستگاه نانومقیاس جدیدی توسعه داده‌اند؛ این فناوری می‌تواند نیاز سخت‌افزار هوش مصنوعی به مصرف انرژی کلان را به‌طور چشمگیری کاهش دهد. این تیم یک Memristor (حافظه مقاومتی) فوق کم‌مصرف ساخته؛ دستگاهی که می‌تواند اطلاعات را در مکانی ثابت هم ذخیره و هم پردازش کند، درست مانند مکانیزم عملکرد مغز انسان.

در معماری‌های محاسباتی معمولی و حتی هوش مصنوعی، واحدهای حافظه و پردازش از یکدیگر جدا هستند و داده‌ها باید برای ذخیره و پردازش بین واحد‌های مختلف در کامپیوتر جابه‌جا شوند. همین فرایند به‌ظاهر ساده مقادیر عظیمی انرژی مصرف می‌کند و بازدهی پایین‌تری نسبت‌به مغز انسان دارد. محققان اما با آگاهی از همین مزیت بزرگ مغز، دنبال شبیه‌سازی راهی بوده‌اند تا ویژگی ذخیره و پردازش در یک مکان را برای استفاده در سخت‌افزار به‌کار بگیرند. این‌بار تیمی از محققان دانشگاه کمبریج به رهبری «بابک بخیت»، پژوهشگر ایرانی، سراغ توسعه روش‌های نوین نورومورفیک با استفاده از ممریستور رفته‌اند.

حافظه مقاومتی یا Memristor در واقع از ترکیب دو عبارت Memory و Transistor پدید آمده است. این نوع ترانزیستورها برخلاف انواع عادی، می‌توانند حالات حافظه خود را حتی حین قطع برق حفظ کنند؛ شیوه‌ای که می‌تواند کارکرد سیناپس در مغز انسان را شبیه‌سازی کند. بااین‌حال، ممریستورهای موجود محدودیت‌های عمده‌ای در زمینه مواد و ساخت دارند. مشکل اصلی این است که اکثر ممریستورهای مبتنی‌بر اکسید با تشکیل و پاره کردن فیلامنت‌های رسانای ریز داخل ماده کار می‌کنند. این روند می‌تواند مسیرهای رسانای میکروسکوپیک تصادفی تشکیل دهد و دستگاه‌‌ها را داخل یک چرخه غیرقابل پیش‌بینی بیندازد. مصرف انرژی این نوع از ترانزیستورها نیز بالاست و این برای صنعت هوش مصنوعی می‌تواند بسیار پرهزینه تمام شود.

تیم محققان کمبریج اما در رابطه با این موضوع رویکرد دیگری را اتخاذ کردند. آن‌ها به‌جای تکیه بر کارکرد فیلامنت‌های رسانا، ماده‌ای مبتنی‌بر «اکسید هافنیوم» را مهندسی کردند؛ این نوآوری به ممریستور اجازه کنترل تغییرات در رابط الکترونیکی داخل سوییچ را می‌دهد. استرانسیوم و تیتانیوم نیز در این ترکیب حضور یافتند تا درنهایت ساختار مداری ممریستور را مشابه یک نیمه‌رسانای معمولی تغییر دهند. بنابراین به‌جای تشکیل و نابود کردن مسیرهای رسانا در برد، حافظه‌های مقاومتی از طریق تغییر مقاومت الکتریکی عمل خواهند کرد. بنابراین به‌نظر می‌رسد محققان کمبریج یکی از بزرگ‌ترین مشکلات فناوری ممریستور را حل کرده باشند.

«دستگاه‌های فیلامنتاری از (مشکل) رفتار تصادفی رنج می‌برند؛ اما چون دستگاه‌های ما در خود رابط سوییچ می‌کنند، یکنواختی عالی چرخه به چرخه و دستگاه به دستگاه ارائه می‌دهند.»

دکتر بابک بخیت، محقق ایرانی و نویسنده اصلی تحقیق جدید دانشگاه کمبریج

سیستم‌های دیجیتال سنتی معمولاً در حالت باینری (صفر و یک) کار می‌کنند و به همین ترتیب، ترانزیستورها تنها توانایی روشن یا خاموش شدن را دارند. در سیناپس‌های بیولوژیکی مانند مغز انسان اما روش پردازش متفاوت است. برای شبیه‌سازی این امر، سخت‌افزارهای نورومورفیک مانند ممریستور از انواع حالت‌های رسانایی پشتیبانی می‌کنند. از این‌رو ممریستورهای جدید از صدها سطح رسانایی متمایز و پایدار بهره می‌برند تا برای محاسبات آنالوگ مشابه مغز انسان مشکلی نداشته باشند. این اقدام در به‌کارگیری هوش مصنوعی خودآگاه نیز تأثیر به‌سزایی دارد.

تیم تحقیقاتی دانشگاه کمبریج برخی رفتارهای مرتبط با یادگیری بیولوژیکی را نیز در حافظه‌های مقاومتی خود پیاده‌سازی کرده است. یکی از این مکانیزم‌ها، SDTP (پلاستیسیته وابسته‌به زمان‌بندی اسپایک) محسوب می‌شود. در این مکانیزم عصبی، قدرت اتصالات نورون‌ها می‌تواند براساس زمان‌بندی نسبی سیگنال‌هایشان تغییر کند. به‌زبان ساده‌تر سخت‌افزار کامپیوتر با این روش می‌تواند کمتر بر حافظه استاتیک خود متکی باشد و مانند مغز از قابلیت یادگیری تطبیقی برای ذخیره و پردازش داده‌ها استفاده کند.

باوجود نتایج امیدوارکننده در این تحقیق، موانع قابل توجهی در زمینه تجاری شدن محصول آن‌ها وجود دارد. یکی از بزرگ‌ترین چالش‌ها، فرایند تولید این نوع ممریستورهاست؛ روندی که به دمای ساخت حدود ۷۰۰ درجه سانتی‌گراد نیاز دارد و بالاتر از توان تولید دستگاه‌های تولید نیمه‌رساناست. اکنون این تیم درحال تحقیق برای کاهش دمای مورد نیاز برای ساخت است تا بتواند محصول خود را در خط تولید تراشه‌های معمولی ادغام کند. اگر آن‌ها موفق شوند، احتمالاً تحولات و حتی انقلاب بزرگی را در زمینه قدرت پردازشی کامپیوتر و هوش مصنوعی شاهد خواهیم بود.