Membangun Jembatan Antara AI dan Komputasi Neuromorfik

Dalam lanskap yang berkembang pesat dari kecerdasan buatan, pencarian perangkat keras yang dapat mengimbangi tuntutan komputasi yang meningkat tidak pernah berhenti. Sebuah terobosan besar dalam pencarian ini telah dicapai melalui upaya kolaboratif yang dipimpin oleh Universitas Purdue, bersama dengan Universitas California San Diego (UCSD) dan École Supérieure de Physique et de Chimie Industrielles (ESPCI) di Paris. Kolaborasi ini menandai kemajuan penting dalam bidang komputasi neuromorfik, sebuah pendekatan revolusioner yang berusaha untuk meniru mekanisme otak manusia dalam arsitektur komputasi.

Tantangan Perangkat Keras AI Saat Ini

Perkembangan pesat AI telah membawa algoritma dan model yang kompleks, menuntut tingkat kekuatan komputasi yang belum pernah terjadi sebelumnya. Namun, ketika kita menyelami lebih dalam ke dunia AI, sebuah tantangan yang mencolok muncul: ketidakcukupan arsitektur komputer berbasis silikon saat ini dalam mengimbangi tuntutan yang berkembang dari teknologi AI.

Erica Carlson, Profesor Fisika dan Astronomi ke-150 di Universitas Purdue, mengartikulasikan tantangan ini dengan singkat. Ia menjelaskan, “Kode yang terinspirasi otak dari revolusi AI sebagian besar dijalankan pada arsitektur komputer silikon konvensional yang tidak dirancang untuk itu.” Pengamatan ini menekankan diskoneksi fundamental antara perangkat keras yang ada, yang sebagian besar dirancang untuk komputasi umum, dan kebutuhan khusus algoritma AI yang maju.

Ketidakcocokan ini, seperti yang ditunjukkan oleh Carlson, tidak hanya membatasi aplikasi potensial AI tetapi juga menyebabkan ketidakefisienan energi yang signifikan. Chip silikon, penopang usia digital, secara intrinsik tidak cocok untuk pemrosesan paralel dan terhubung yang diperlukan oleh jaringan saraf dan model pembelajaran dalam. Kemampuan pemrosesan linier dan berurutan dari CPU (Central Processing Unit) dan GPU (Graphics Processing Unit) tradisional berdiri kontras dengan tuntutan komputasi AI yang maju.

Komputasi Neuromorfik Diperkenalkan

Upaya penelitian kolaboratif telah menghasilkan terobosan signifikan, seperti yang dijelaskan dalam studi mereka “Spatially Distributed Ramp Reversal Memory in VO2.” Penelitian ini memperkenalkan pendekatan baru untuk perangkat keras komputasi, terinspirasi oleh operasi sinaptik otak manusia.

Inti dari terobosan ini adalah konsep komputasi neuromorfik. Tidak seperti arsitektur komputasi tradisional, komputasi neuromorfik berusaha untuk meniru struktur dan fungsi otak manusia, terutama fokus pada neuron dan sinaps. Neuron adalah sel yang mengirimkan informasi di otak, dan sinaps adalah celah yang memungkinkan sinyal untuk melewati dari satu neuron ke neuron lain. Dalam otak biologis, sinaps ini sangat penting untuk mengkodekan memori.

Inovasi tim ini terletak pada penggunaan oksida vanadium, bahan yang unik cocok untuk menciptakan neuron dan sinaps buatan. Pilihan bahan ini mewakili perbedaan signifikan dari pendekatan berbasis silikon konvensional, mengemban esensi arsitektur neuromorfik – replikasi perilaku seperti otak dalam chip komputasi.

Efisiensi Energi dan Komputasi Ditingkatkan

Implikasi dari terobosan ini sangat luas, terutama dalam hal efisiensi energi dan kemampuan komputasi. Carlson menjelaskan tentang manfaat potensial, menyatakan, “Arsitektur neuromorfik menjanjikan konsumsi energi yang lebih rendah, komputasi yang ditingkatkan, mode komputasi yang berbeda, pembelajaran asli, dan pengenalan pola yang ditingkatkan.” Perubahan ini ke arah komputasi neuromorfik dapat mendefinisikan kembali lanskap perangkat keras AI, membuatnya lebih berkelanjutan dan efisien.

Salah satu kelebihan paling menggugah dari komputasi neuromorfik adalah janji untuk mengurangi biaya energi yang signifikan yang terkait dengan pelatihan model bahasa besar seperti ChatGPT. Konsumsi energi tinggi dari model tersebut sebagian besar disebabkan oleh ketidaksesuaian antara perangkat keras dan perangkat lunak – kesenjangan yang komputasi neuromorfik berusaha untuk menjembatani. Dengan meniru komponen dasar otak, arsitektur ini menyediakan cara yang lebih alami dan efisien bagi sistem AI untuk memproses dan belajar dari data.

Lebih lanjut, Carlson menunjukkan keterbatasan silikon dalam meniru perilaku seperti neuron, aspek kritis untuk memajukan perangkat keras AI. Arsitektur neuromorfik, dengan kemampuan untuk meniru baik sinaps maupun neuron, berpotensi untuk merevolusi cara kerja sistem AI, mendekati model yang lebih mirip dengan proses kognitif manusia.

Unsur kunci dari penelitian ini adalah penggunaan inovatif oksida vanadium. Bahan ini telah menunjukkan janji besar untuk mensimulasikan fungsi neuron dan sinaps otak manusia. Alexandre Zimmers, ilmuwan eksperimental terkemuka dari Sorbonne University dan ESPCI, menyoroti terobosan ini, mengatakan, “Dalam vanadium dioksida, kami telah mengamati bagaimana ia berperilaku seperti sinaps buatan, lompatan besar dalam pemahaman kami.”

Penelitian tim telah menghasilkan cara yang lebih sederhana dan efisien untuk menyimpan memori, serupa dengan cara otak manusia. Dengan mengamati bagaimana vanadium oksida berperilaku di bawah kondisi yang berbeda, mereka menemukan bahwa memori tidak hanya disimpan dalam bagian terisolasi dari bahan tetapi tersebar di seluruhnya. Wawasan ini sangat penting karena ini menunjukkan cara baru untuk merancang dan membangun perangkat neuromorfik, yang dapat lebih efektif dan efisien memproses informasi seperti otak manusia.

Mempromosikan Komputasi Neuromorfik

Membangun dari temuan mereka yang bersejarah, tim penelitian sudah memetakan jalur untuk fase berikutnya dari pekerjaan mereka. Dengan kemampuan yang telah terbukti untuk mengamati perubahan dalam bahan neuromorfik, mereka berencana untuk melakukan eksperimen lebih lanjut dengan mengatur sifat bahan secara lokal. Zimmers menjelaskan potensi dari pendekatan ini: “Ini bisa memungkinkan kami untuk mengarahkan arus listrik melalui wilayah tertentu dalam sampel di mana efek memori berada pada titik maksimum, secara signifikan meningkatkan perilaku sinaptik dari bahan neuromorfik ini.”

Arah ini membuka kemungkinan yang menarik untuk masa depan komputasi neuromorfik. Dengan memperbaiki kontrol dan manipulasi bahan ini, peneliti berusaha untuk menciptakan perangkat neuromorfik yang lebih efisien dan efektif. Kemajuan seperti itu bisa mengarah pada perangkat keras yang mampu meniru kompleksitas otak manusia lebih dekat, membuka jalan bagi sistem AI yang lebih canggih dan efisien dalam energi.