کاروتک

تکنولوژی و علمی

تلویزیون و سینما

تلویزیون کاروتک

محققان آزمایشگاه ملی ساندیا نشان داده‌اند که رایانه‌‌های نورومورفیکی که منطق مغر را به صورت مصنوعی تکرار می‌‌کنند، می‌توانند مشکلات پیچیده‌تری که نسبت به آن‌چه ممکن است توسط هوش مصنوعی ایجاد شود را حل کنند.

تراشه‌های نورومورفیک می‌توانند آینده‌ی عمکرد‌های بالای کامپیوتری باشند.

مقاله‌ای که به‌تازگی در مجله‌ی Nature Electronics منتشر شده است، یافته‌هایی را نشان می‌دهد که در آن محققان شرح داده‌اند شبیه‌سازی‌های نورومورفیک با استفاده از روش آماری که با نام «پیاده‌روی‌های تصادفی» شناخته می‌شود؛ می‌توانند محاسبات پیشرفته‌ی متنوعی را شناسایی کنند. این محاسبات می‌تواند شامل ردیابی پرتوهای ایکس که از بافت نرم و استخوان رد می‌شوند، بیماری‌هایی که میان جمعیتی عبور می‌کند و دریافت جریان اطلاعات از طریق شبکه‌های اجتماعی و موارد دیگر باشد.

بر اساس گفته‌های عصب شناس نظری Sandia جیمز بردلی آیمون، و محقق اصلی این پروژه؛ رایانه‌های نورومورفیک توانایی این را دارند که مشکلات را سریع‌تر از قبل حل کنند. این در‌حالی است که انرژی کم‌تری را نسبت به انجام محاسبات معمولی در موارد بهینه‌سازی مصرف می‌کنند. این ویژگی باید در محاسبات با کارایی‌های بالا مورد توجه باشد؛ چراکه واقعا مشکلات آماری برای GPUها و CPUها مناسب نیستند.

مهندس Sandia و نویسنده new paper برایان فرانکه، در بیانه‌ای مطبوعاتی در مورد این‌که چگونه کامپیوتر‌های نورومورفیک می‌توانند در شرایط خاص از GPUها مفیدتر باشند،‌ بینش بیشتری را ارائه داده است:

هنگامی‌که عملیاتی را که در طی فرآیند طبیعیِ تصادفی فهرست می‌شوند، بر پردازنده‌های مسیردار همانند GPU‌های نسل بعد قرار می‌گیرند، باعث ناکار‌آمد شدن آن‌ها می‌شود. در عین حال، معماری‌های نورومورفیک جایگزینی جذاب و کاملاََ متفاوت جهت شبیه‌سازی کردن ذرات هستند. این می‌تواند به رویکردی مقیاس‌پذیر و انرژی موثری هدایت شود که منجر به حل مشکلات مورد علاقه‌ی ما شود.

محاسبات نورومروفیک

محققان Sandia جهت انجام آزمایشات خود، از پلتفرم تراشه‌ی 50 میلیونی Loihi که یک سال و نیم پیش از اینتل دریافت کرده بودند استفاده کردند.

درحالی که محاسبات نئومورفیک به معنای به چالش کشیدن نحوه‌های محاسباتی دیگر نیست؛ اما طبق گفته‌ی Aimone، حوزه‌های دیگری نیز وجود دارند که با ترکیبی از محاسبات سرعتی و هزینه‌های انرژی کم‌تری هستند و می‌توانند انتخاب بهتری باشد.

در همین حال، تراشه‌هایی که حاوی نورون‌های مصنوعی هستند؛ برخلاف این‌که مشکلاتی در افزودن کیوبیت‌ها با رایانه‌های کوانتومی ایجاد می‌کنند، هم ارزان‌ترند و هم نصب‌شان آسان‌تر است. اگرچه، جابه‌جا کردن اطلاعات از پردازنده عصبی و یا به پردازنده عصبی، می‌تواند گران تمام شود. چراکه هرچه اطلاعات بیشتری جمع‌‌آوری شود، سیستمی که مورد استفاده قرار می‌گیرد نیز کندتر می‌شود. این فرآیند تا زمانی که در نهایت سیستم غیرقابل اجرا شود ادامه پیدا می‌کند. محققان ساندیا،‌ با پیکربندی کردن گروه کوچکی از نورون‌هایی که می‌توانستند آمار را به صورت خلاصه محاسبه کنند، موفق شدند تا بر این مانع غلبه کنند.

درست همانند مغز انسان، تراشه‌های نورومورفیک با رساندن برق به ساختار‌های پین‌مانند کوچک و اضافه‌ کردن بارهای کوچک از طریق حسگرهای اطراف، برای رسیدن به سطح الکتریکی معین کار می‌کند. در ادامه پین، مسیر الکتریکی کوچکی را همانند نورون بیولوژیکی ایجاد می‌کند.

در آینده نسخه‌ی بعدی Loihi، مقیاس پردازنده کنونی خود را از 128 هزار نورون در هر تراشه، به 1 میلیون به‌همراه سیستم‌های مقیاس بزرگ‌تزر که می‌توانند چندین تراشه را در بردی ترکیب کنند، افزایش می‌دهد. در نهایت، فناوری‌ای مانند Loihi، می‌تواند در پلتفرم‌های محاسباتی، راه خود را برای عملکردی بالا پیدا کند تا بتواند به HPCها کمک کند تا انرژی موثرتر، سازگار با محیط زیست و به‌صرفه‌تری داشته باشند.