Perangkat Neuron Buatan Baru Dapat Mengurangi Kebutuhan Energi untuk Komputasi Neural

Peneliti di Universitas San Diego telah mengembangkan perangkat neuron buatan baru yang dapat menjalankan komputasi neural dengan 100 hingga 1000 kali lebih sedikit energi dan area daripada perangkat keras berbasis CMOS saat ini.

Laporan terbaru dipublikasikan dalam sebuah makalah pada 18 Maret di Nature Nanotechnology.

Untuk menghasilkan input untuk salah satu lapisan terhubung dari neuron buatan dalam jaringan neural, perhitungan matematika yang disebut fungsi aktivasi non-linier harus diterapkan. Namun, penerapan ini memerlukan banyak daya komputasi dan sirkuit karena kebutuhan untuk mentransfer data antara memori dan prosesor eksternal.

Peneliti di UC San Diego mengembangkan perangkat nano-meter yang dapat melakukan fungsi aktivasi ini dengan lebih efisien.

Duygu Kuzum adalah profesor teknik listrik dan komputer di Sekolah Teknik Jacobs UC San Diego.

“Komputasi jaringan neural dalam perangkat keras menjadi semakin tidak efisien ketika model jaringan neural menjadi lebih besar dan kompleks,” kata Kuzum. “Kami mengembangkan perangkat neuron buatan tunggal yang menerapkan komputasi ini dalam perangkat keras dengan cara yang sangat efisien dalam hal area dan energi.”

Studi ini dipimpin oleh Kuzum dan mahasiswa Ph.D Shangheon Oh, dan mereka berkolaborasi dengan profesor fisika UC San Diego Ivan Schuller, yang memimpin Pusat Penelitian Energi Frontier DOE. Pusat ini terlibat dalam mengembangkan implementasi perangkat keras dari jaringan neural buatan yang efisien dalam hal energi.

Perangkat Baru

Perangkat yang baru dikembangkan ini bergantung pada unit linier yang diperbaiki, yang merupakan salah satu fungsi aktivasi yang paling umum digunakan dalam pelatihan jaringan neural. Ini memerlukan perangkat keras yang dapat mengalami perubahan resistansi yang bertahap, yang merupakan tujuan yang dicapai oleh insinyur. Perangkat ini dapat beralih dari keadaan isolasi ke keadaan konduktif dengan jumlah panas yang kecil.

Yang disebut transisi Mott, peralihan ini terjadi dalam lapisan yang sangat tipis dari vanadium dioksida, dan di atas lapisan ini terdapat nanowire pemanas yang terbuat dari titanium dan emas. Lapisan vanadium dioksida perlahan-lahan memanas ketika arus mengalir melalui nanowire, dan ini menyebabkan peralihan resistansi yang perlahan dan terkendali dari isolasi ke konduktif.

Oh adalah penulis pertama dari studi ini.

“Arsitektur perangkat ini sangat menarik dan inovatif,” kata Oh. “Dalam hal ini, kami mengalirkan arus melalui nanowire di atas material untuk memanaskannya dan menginduksi perubahan resistansi yang sangat bertahap.”

Menerapkan Perangkat

Untuk penerapan, tim ini memfabrikasi array perangkat aktivasi dan array perangkat sinaptik, diikuti dengan integrasi keduanya pada papan sirkuit cetak khusus. Mereka kemudian dihubungkan bersama, menghasilkan versi perangkat keras dari jaringan neural.

Jaringan ini digunakan untuk memproses gambar melalui deteksi tepi, mengidentifikasi garis besar dan tepi objek dalam gambar. Sistem perangkat keras terintegrasi ini menunjukkan kemampuannya untuk melakukan operasi konvolusi yang penting untuk berbagai jenis jaringan neural dalam.

“Saat ini, ini adalah konsep bukti,” kata Kuzum. “Ini adalah sistem kecil di mana kami hanya menumpuk satu lapisan sinaptik dengan satu lapisan aktivasi. Dengan menumpuk lebih banyak dari ini, Anda bisa membuat sistem yang lebih kompleks untuk berbagai aplikasi.”