Premošćivanje jaza između umjetne inteligencije i neuromorfnog računarstva

U brzo razvijajućem krajoliku umjetne inteligencije, potraga za hardverom koji može pratiti rastuće računalne zahtjeve je neumoljiva. Značajan napredak u ovoj potrazi postignut je kroz zajednički napor koji je predvodilo Sveučilište Purdue, uz Sveučilište Kalifornija San Diego (UCSD) i École Supérieure de Physique et de Chimie Industrielles (ESPCI) u Parizu. Ova suradnja označava ključni napredak u području neuromorfnog računarstva, revolucionarnog pristupa koji nastoji oponašati mehanizme ljudskog mozga unutar računalne arhitekture.

Izazovi trenutnog AI hardvera

Brzi napredak AI-a donio je složene algoritme i modele, zahtijevajući dosad neviđenu razinu računalne snage. Ipak, kako dublje ulazimo u područja umjetne inteligencije, pojavljuje se očigledan izazov: neadekvatnost trenutnih računalnih arhitektura temeljenih na siliciju da drže korak s rastućim zahtjevima tehnologije umjetne inteligencije.

Erica Carlson, profesorica fizike i astronomije na Sveučilištu Purdue povodom 150. obljetnice, sažeto artikulira ovaj izazov. Objašnjava: „Kodovi inspirirani mozgom revolucije umjetne inteligencije uglavnom se izvode na konvencionalnim silicijskim računalnim arhitekturama koje nisu bile dizajnirane za to.“ Ovo zapažanje naglašava temeljnu nepovezanost između postojećeg hardvera, prvenstveno prilagođenog za računalstvo opće namjene, i specijaliziranih potreba naprednih algoritama umjetne inteligencije.

Ova neusklađenost, kako ističe Carlson, ne samo da ograničava potencijalne primjene umjetne inteligencije, već dovodi i do znatne energetske neučinkovitosti. Silikonski čipovi, predvodnici digitalnog doba, suštinski su neprikladni za paralelnu i međusobno povezanu obradu koju zahtijevaju neuronske mreže i modeli dubokog učenja. Sposobnost linearne i sekvencijalne obrade tradicionalnih CPU-a (centralnih procesorskih jedinica) i GPU-ova (grafičkih procesorskih jedinica) stoji u oštroj suprotnosti sa zahtjevima naprednih AI računanja.

Predstavljeno neuromorfno računalstvo

Zajednički istraživački napor kulminirao je značajnim otkrićem, kao što je detaljno opisano u njihovoj studiji “Prostorno raspoređena memorija promjene rampe u VO2„Ovo istraživanje najavljuje novi pristup računalnom hardveru, inspiriran sinaptičkim operacijama ljudskog mozga.“

Središnji dio ovog otkrića je koncept neuromorfnog računalstva. Za razliku od tradicionalnih računalnih arhitektura, neuromorfno računalstvo nastoji oponašati strukturu i funkcionalnost ljudskog mozga, posebno se fokusirajući na neurone i sinapse. Neuroni su stanice za prijenos informacija u mozgu, a sinapse su praznine koje omogućuju prolaz signala od jednog neurona do drugog. U biološkim mozgovima te su sinapse ključne za kodiranje pamćenja.

Inovacija tima leži u upotrebi vanadijevih oksida, materijala jedinstveno pogodnih za stvaranje umjetnih neurona i sinapsi. Ovaj izbor materijala predstavlja značajno odstupanje od konvencionalnih pristupa temeljenih na siliciju, utjelovljujući bit neuromorfne arhitekture - replikaciju ponašanja sličnog mozgu unutar računalnih čipova.

Energetska učinkovitost i poboljšano računanje

Implikacije ovog otkrića su dalekosežne, posebice u smislu energetske učinkovitosti i računalnih mogućnosti. Carlson razrađuje potencijalne prednosti, navodeći: "Neuromorfne arhitekture obećavaju procesore s nižom potrošnjom energije, poboljšano računanje, bitno drugačije računalne načine, izvorno učenje i poboljšano prepoznavanje uzoraka." Ovaj pomak prema neuromorfnom računalstvu mogao bi redefinirati krajolik AI hardvera, čineći ga održivijim i učinkovitijim.

Jedna od najuvjerljivijih prednosti neuromorfnog računalstva je njegovo obećanje u značajnom smanjenju troškova energije povezanih s obukom velikih jezičnih modela kao što je ChatGPT. Trenutna velika potrošnja energije takvih modela uvelike se pripisuje neskladu između hardvera i softvera – jazu koji neuromorfno računalstvo želi premostiti. Oponašanjem osnovnih komponenti mozga, te arhitekture pružaju prirodniji i učinkovitiji način za sustave umjetne inteligencije za obradu podataka i učenje iz njih.

Nadalje, Carlson ističe ograničenja silicija u repliciranju ponašanja poput neurona, što je ključni aspekt za unaprjeđenje AI hardvera. Neuromorfne arhitekture, sa svojom sposobnošću oponašanja i sinapsi i neurona, revolucioniraju način na koji sustavi umjetne inteligencije funkcioniraju, približavajući se modelu koji je sličniji ljudskim kognitivnim procesima.

Ključni element ovog istraživanja je inovativna upotreba vanadijevih oksida. Ovaj materijal pokazao je veliko obećanje za simuliranje funkcija neurona i sinapsi ljudskog mozga. Alexandre Zimmers, vodeći eksperimentalni znanstvenik sa Sveučilišta Sorbonne i ESPCI-ja, ističe ovaj proboj rekavši: „Kod vanadijevog dioksida primijetili smo kako se ponaša poput umjetne sinapse, što je značajan skok u našem razumijevanju.“

Istraživanje tima dovelo je do jednostavnijeg i učinkovitijeg načina pohranjivanja pamćenja, slično onome kako to čini ljudski mozak. Promatrajući kako se vanadijev oksid ponaša u različitim uvjetima, otkrili su da se pamćenje ne pohranjuje samo u izoliranim dijelovima materijala, već je rašireno po cijelom materijalu. Ovaj uvid je ključan jer predlaže nove načine dizajniranja i izgradnje neuromorfnih uređaja koji bi mogli učinkovitije i efikasnije obrađivati ​​informacije poput ljudskog mozga.

Unapređenje neuromorfnog računarstva

Nadovezujući se na svoja revolucionarna otkrića, istraživački tim već planira smjer za sljedeću fazu svog rada. S utvrđenom sposobnošću promatranja promjena unutar neuromorfnog materijala, planiraju dalje eksperimentirati lokalnim podešavanjem svojstava materijala. Zimmers objašnjava potencijal ovog pristupa: „To bi nam moglo omogućiti vođenje električne struje kroz specifična područja u uzorku gdje je memorijski efekt maksimalan, značajno poboljšavajući sinaptičko ponašanje ovog neuromorfnog materijala.“

Ovaj smjer otvara uzbudljive mogućnosti za budućnost neuromorfnog računalstva. Pročišćavanjem kontrole i manipulacije tim materijalima, istraživači žele stvoriti učinkovitije i učinkovitije neuromorfne uređaje. Takav napredak mogao bi dovesti do hardvera sposobnog bolje oponašati složenost ljudskog mozga, utirući put sofisticiranijim i energetski učinkovitijim AI sustavima.