باحثون يستخدمون الميمريستور لإنشاء شبكات عصبونية أكثر كفاءة في الطاقة

من الجوانب الأقل جمالا في الذكاء الاصطناعي هو أنه غالبا ما يتطلب كمية كبيرة من قدرة المعالجة وبالتالي غالبا ما يكون له بصمة طاقة كبيرة. وقد حدد الباحثون في جامعة لندن最近 طريقة لتحسين كفاءة الطاقة للذكاء الاصطناعي.

الشبكات العصبونية والتعلم الآلي هما أدوات قوية، ولكن الإنجازات الأكثر إثارة للإعجاب في الذكاء الاصطناعي عادة ما يكون لها تكلفة طاقة كبيرة. على سبيل المثال، عندما قام OpenAI بتعليم يد روبوتية لتشغيل مكعب روبيك، تم تقدير أن الإنجاز استخدم حوالي 2.8 غيغاوات ساعة من الكهرباء.

وفقًا لـ TechExplore، قام الباحثون في جامعة لندن بتصميم طريقة جديدة لإنشاء شبكات عصبونية اصطناعية. تستخدم الطريقة الجديدة الميمريستور لإنشاء الشبكة، والتي هي حوالي 1000 مرة أكثر كفاءة في الطاقة من الشبكات التي تم إنشاؤها bằng الطرق التقليدية. الميمريستور هو جهاز يمكن أن يتذكر كمية الشحنة الكهربائية التي تدفقت خلاله最後 مرة، مع الحفاظ على حالة الذاكرة تلك حتى بعد إيقاف تشغيل الجهاز. هذا يعني أنه يمكنه تذكر حالته حتى لو فقد الجهاز الطاقة. على الرغم من أن الميمريستور تم نظریته لأول مرة منذ حوالي 50 عامًا، إلا أنه لم يكن حتى عام 2008 أن تم إنشاء ميمريستور حقيقي.

الميمريستور يُطلق عليه أحيانًا “أجهزة حاسوب شبيهة بالدماغ” أو “أجهزة متأثرة بالدماغ”. الميمريستور مشابه لبنايات الدماغ التي تستخدم لمعالجة المعلومات وإنشاء الذكريات. وهي أكثر كفاءة في الطاقة مقارنة بنظم الحاسوب الحديثة. هذه الأجهزة الميمريستورية تملك جوانب من المكثفات والمقاومات، وعلى مدار العقد الماضي أو أكثر تم تصنيعها واستخدامها في مجموعة من أجهزة الذاكرة. يأمل فريق البحث في جامعة لندن أن يساهم بحثهم في استخدام هذه الأجهزة لإنشاء أنظمة ذكاء اصطناعي في غضون بضع سنوات.

على الرغم من زيادة كفاءة الطاقة، فإن الميمريستور традиقيًا أقل كفاءة من الشبكات العصبونية العادية، إلا أن الباحثين في جامعة لندن وجدوا طريقة لتحسين دقة الميمريستور. وجد الباحثون أن عند استخدام العديد من الميمريستور، يمكن تقسيمها إلى مجموعات فرعية متعددة ومن ثم حساب المتوسط لحساباتها. يساعد متوسط الحسابات في إلغاء العيوب في المجموعات الفرعية وايجاد الأنماط الأكثر صلة.

أجرى الدكتور عدنان مهونيك وطالب الدكتوراه دوفيداس جوكاس (كلاهما من قسم الهندسة الإلكترونية والكهربائية في جامعة لندن) وزميلاءهم هذا النهج المتوسط عبر أنواع الميمريستور المختلفة ووجدوا أن التقنية似乎 تحسن الدقة في جميع أنواع الميمريستور التي تم اختبارها، وليس فقط واحد أو اثنين منها. تحسنت الدقة في جميع المجموعات التي تم اختبارها، بغض النظر عن نوع المادة التي تم تصنيع الميمريستور منها.

وفقًا للدكتور مهونيك، كما أقتبس من TechExplore:

“كنا نأمل أن يكون هناك نهج أكثر عمومية يمكن أن يحسن السلوك على مستوى النظام، وليس على مستوى الجهاز، ونعتقد أننا وجدنا واحدًا. يظهر نهجنا أن عدة رؤوس أفضل من رأس واحد عندما يتعلق الأمر بالميمريستور. تنظيم الشبكة العصبونية في شبكات أصغر بدلاً من شبكة كبيرة واحدة أدى إلى دقة أكبر بشكل عام.”

كان فريق البحث متحمسًا لاستخدام تقنية من علوم الحاسوب وتطبيقها على الميمريستور، باستخدام تقنية تجنب الأخطاء الشائعة (حساب المتوسط) لتحسين دقة الشبكات العصبونية الميمريستورية. يعتقد مؤلف الدراسة المشارك الأستاذ توني كينون من قسم الهندسة الإلكترونية والكهربائية في جامعة لندن أن الميمريستور يمكن أن “يلعب دورًا رائدًا” في إنشاء أجهزة حاسوب أكثر استدامة في الطاقة وأجهزة إنترنت الأشياء.

الميمريستور ليس فقط أكثر كفاءة في الطاقة من نماذج الشبكات العصبونية التقليدية، بل يمكن أيضًا تضمينها بسهولة في جهاز محمول. هذا من المتوقع أن يزداد أهميته في المستقبل القريب مع زيادة كمية البيانات التي يتم إنشاؤها ونقلها جميعًا، على الرغم من أن من الصعب زيادة سعة النقل بعد نقطة معينة. يمكن للميمريستور أن يساعد في تمكين نقل كميات كبيرة من البيانات بنسبة صغيرة من التكلفة الطاقية.