Menjembatani Kesenjangan Antara AI dan Komputasi Neuromorfik

Dalam lanskap kecerdasan buatan yang berkembang pesat, pencarian perangkat keras yang dapat mengimbangi tuntutan komputasi yang terus meningkat tidak ada habisnya. Terobosan signifikan dalam upaya ini telah dicapai melalui upaya kolaboratif yang dipelopori 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 berupaya meniru mekanisme otak manusia dalam arsitektur komputasi.

Tantangan Perangkat Keras AI Saat Ini

Kemajuan pesat dalam AI telah menghasilkan algoritma dan model yang kompleks, sehingga menuntut tingkat kekuatan komputasi yang belum pernah terjadi sebelumnya. Namun, ketika kita mempelajari lebih dalam bidang AI, tantangan besar muncul: tidak memadainya arsitektur komputer berbasis silikon saat ini dalam mengimbangi tuntutan teknologi AI yang terus berkembang.

Erica Carlson, Profesor Fisika dan Astronomi Peringatan 150 Tahun di Universitas Purdue, mengutarakan tantangan ini secara ringkas. Dia menjelaskan, “Kode revolusi AI yang terinspirasi dari otak sebagian besar dijalankan pada arsitektur komputer silikon konvensional yang tidak dirancang untuk itu.” Pengamatan ini menggarisbawahi keterputusan mendasar antara perangkat keras yang ada, yang terutama dirancang untuk komputasi tujuan umum, dan kebutuhan khusus dari algoritma canggih AI.

Ketidaksesuaian ini, seperti dikemukakan Carlson, tidak hanya membatasi potensi penerapan AI namun juga menyebabkan inefisiensi energi yang cukup besar. Chip silikon, pendukung era digital, pada dasarnya tidak cocok untuk pemrosesan paralel dan saling berhubungan yang dibutuhkan oleh jaringan saraf dan model pembelajaran mendalam. Kehebatan pemrosesan linier dan sekuensial dari CPU tradisional (Central Processing Unit) dan GPU (Graphics Processing Unit) sangat kontras dengan tuntutan komputasi AI tingkat lanjut.

Komputasi Neuromorfik Diungkap

Upaya penelitian kolaboratif telah mencapai puncaknya pada terobosan yang signifikan, sebagaimana dirinci dalam studi mereka “Memori Pembalikan Ramp yang Terdistribusi Secara Spasial di VO2.” Penelitian ini menandai pendekatan baru terhadap perangkat keras komputasi, yang terinspirasi oleh operasi sinaptik otak manusia.

Inti dari terobosan ini adalah konsep komputasi neuromorfik. Tidak seperti arsitektur komputasi tradisional, komputasi neuromorfik berupaya meniru struktur dan fungsi otak manusia, khususnya dengan fokus pada neuron dan sinapsis. Neuron adalah sel pengirim informasi di otak, dan sinapsis adalah celah yang memungkinkan sinyal berpindah dari satu neuron ke neuron berikutnya. Dalam otak biologis, sinapsis ini sangat penting untuk menyandikan memori.

Inovasi tim ini terletak pada penggunaan oksida vanadium, bahan yang secara unik cocok untuk menciptakan neuron dan sinapsis buatan. Pilihan material ini mewakili perubahan signifikan dari pendekatan berbasis silikon konvensional, yang mewujudkan esensi arsitektur neuromorfik – replikasi perilaku mirip otak dalam chip komputasi.

Efisiensi Energi dan Peningkatan Komputasi

Implikasi dari terobosan ini sangat luas, khususnya dalam hal efisiensi energi dan kemampuan komputasi. Carlson menguraikan potensi manfaatnya, dengan menyatakan, “Arsitektur neuromorfik menjanjikan prosesor dengan konsumsi energi yang lebih rendah, komputasi yang ditingkatkan, mode komputasi yang berbeda secara mendasar, pembelajaran asli, dan pengenalan pola yang ditingkatkan.” Pergeseran menuju komputasi neuromorfik ini dapat mendefinisikan kembali lanskap perangkat keras AI, menjadikannya lebih berkelanjutan dan efisien.

Salah satu keuntungan paling menarik dari komputasi neuromorfik adalah janjinya dalam mengurangi biaya energi secara signifikan terkait dengan pelatihan model bahasa besar seperti ChatGPT. Konsumsi energi yang tinggi saat ini pada model-model tersebut sebagian besar disebabkan oleh disonansi antara perangkat keras dan perangkat lunak – sebuah kesenjangan yang ingin dijembatani oleh komputasi neuromorfik. Dengan meniru komponen dasar otak, arsitektur ini memberikan cara yang lebih alami dan efisien bagi sistem AI untuk memproses dan belajar dari data.

Lebih lanjut, Carlson menunjukkan keterbatasan silikon dalam mereplikasi perilaku mirip neuron, yang merupakan aspek penting untuk memajukan perangkat keras AI. Arsitektur neuromorfik, dengan kemampuannya meniru sinapsis dan neuron, akan merevolusi cara kerja sistem AI, mendekati model yang lebih mirip dengan proses kognitif manusia.

Elemen kunci dari penelitian ini adalah penggunaan vanadium oksida yang inovatif. Materi ini sangat menjanjikan untuk mensimulasikan fungsi neuron dan sinapsis otak manusia. Alexandre Zimmers, ilmuwan eksperimental terkemuka dari Universitas Sorbonne dan ESPCI, menyoroti terobosan ini, dengan mengatakan, “Dalam vanadium dioksida, kami telah mengamati bagaimana ia berperilaku seperti sinapsis buatan, sebuah lompatan signifikan dalam pemahaman kami.”

Penelitian tim ini telah menghasilkan cara yang lebih sederhana dan efisien untuk menyimpan memori, mirip dengan cara otak manusia melakukannya. Dengan mengamati bagaimana vanadium oksida berperilaku dalam kondisi berbeda, mereka menemukan bahwa memori tidak hanya disimpan di bagian material yang terisolasi namun tersebar ke seluruh bagian. Wawasan ini sangat penting karena menyarankan cara-cara baru untuk merancang dan membangun perangkat neuromorfik, yang dapat memproses informasi secara lebih efektif dan efisien seperti otak manusia.

Memajukan Komputasi Neuromorfik

Berdasarkan temuan inovatif mereka, tim peneliti telah memetakan arah untuk tahap selanjutnya dari pekerjaan mereka. Dengan kemampuan yang sudah ada untuk mengamati perubahan dalam material neuromorfik, mereka berencana untuk bereksperimen lebih jauh dengan mengubah sifat material secara lokal. Zimmers menjelaskan potensi dari pendekatan ini: “Hal ini memungkinkan kita mengarahkan arus listrik melalui wilayah tertentu dalam sampel di mana efek memori berada pada titik maksimum, sehingga secara signifikan meningkatkan perilaku sinaptik bahan neuromorfik ini.”

Arah ini membuka kemungkinan menarik untuk masa depan komputasi neuromorfik. Dengan menyempurnakan kontrol dan manipulasi bahan-bahan ini, para peneliti bertujuan untuk menciptakan perangkat neuromorfik yang lebih efisien dan efektif. Kemajuan tersebut dapat menghasilkan perangkat keras yang mampu meniru kompleksitas otak manusia secara lebih dekat, sehingga membuka jalan bagi sistem AI yang lebih canggih dan hemat energi.