Peneliti Menggunakan Memristor untuk Membuat Jaringan Saraf Tiruan yang Lebih Hemat Energi

Salah satu aspek yang kurang glamor dari kecerdasan buatan adalah bahwa seringkali memerlukan daya pemrosesan yang besar dan oleh karena itu memiliki jejak energi yang besar. Penelitian terbaru yang dilakukan oleh peneliti di UCL telah menemukan metode untuk meningkatkan efisiensi energi AI.

Jaringan saraf dan pembelajaran mesin adalah alat yang kuat, tetapi prestasi kecerdasan buatan yang paling mengesankan biasanya memiliki biaya energi yang besar. Misalnya, ketika OpenAI mengajar tangan robot untuk memanipulasi kubus Rubik, diperkirakan bahwa prestasi tersebut memerlukan sekitar 2,8 gigawatt-jam listrik.

Menurut TechExplore, Peneliti di UCL telah merancang metode baru untuk menghasilkan jaringan saraf tiruan. Metode baru ini menggunakan memristor untuk menghasilkan jaringan, yang sekitar 1000 kali lebih hemat energi daripada jaringan yang dibuat dengan pendekatan tradisional. Memristor adalah perangkat yang dapat mengingat jumlah muatan listrik yang terakhir mengalir melalui mereka, mempertahankan keadaan memori tersebut setelah mereka dimatikan. Ini berarti bahwa mereka dapat mengingat keadaan mereka bahkan jika perangkat kehilangan daya. Meskipun memristor pertama kali diteorikan sekitar 50 tahun yang lalu, tidak sampai 2008 bahwa memristor nyata dibuat.

Memristor kadang-kadang disebut sebagai perangkat “neuromorfik” atau “inspirasi otak”. Memristor mirip dengan blok bangunan yang digunakan otak untuk memproses informasi dan menciptakan memori. Mereka sangat efisien dibandingkan dengan sebagian besar sistem komputer modern. Perangkat memristor ini memiliki aspek kapasitor dan resistor, dan selama dekade terakhir mereka telah diproduksi dan digunakan dalam berbagai perangkat memori. Tim peneliti UCL berharap bahwa penelitian mereka akan membantu perangkat ini digunakan untuk membuat sistem AI dalam beberapa tahun.

Meskipun mereka lebih hemat energi, memristor secara tradisional kurang efisien daripada jaringan saraf tiruan biasa, tetapi peneliti UCL menemukan cara untuk meningkatkan akurasi memristor. Peneliti menemukan bahwa ketika menggunakan banyak memristor, mereka dapat dibagi menjadi sub-grup yang berbeda dan kemudian perhitungan mereka dirata-ratakan. Pemusatan perhitungan membantu menghilangkan kesalahan dalam sub-grup dan pola yang lebih relevan ditemukan.

Dr. Adnan Mehonic dan mahasiswa Ph.D. Dovydas Joksas (keduanya dari Teknik Elektro dan Elektronik UCL) dan rekan-rekan mereka menguji pendekatan pemusatan ini di berbagai jenis memristor dan menemukan bahwa teknik ini tampaknya meningkatkan akurasi di semua memristor yang diuji, tidak hanya satu atau dua di antaranya. Peningkatan akurasi berlaku untuk semua grup yang diuji, tidak peduli jenis bahan yang digunakan untuk membuat memristor.

Menurut Dr. Mehonic, seperti yang dikutip oleh TechExplore:

“Kami berharap bahwa ada pendekatan yang lebih generik yang dapat meningkatkan perilaku sistem, bukan perangkat, dan kami percaya bahwa kami telah menemukannya. Pendekatan kami menunjukkan bahwa, ketika datang ke memristor, beberapa kepala lebih baik daripada satu. Mengatur jaringan saraf menjadi beberapa jaringan yang lebih kecil daripada satu jaringan besar menghasilkan akurasi yang lebih besar secara keseluruhan.”

Tim peneliti sangat senang telah mengambil teknik ilmu komputer dan menerapkannya pada memristor, juga menggunakan teknik penghindaran kesalahan yang umum (pemusatan perhitungan) untuk meningkatkan akurasi jaringan saraf memristor. Rekan penulis Professor Tony Kenyon dari Teknik Elektro dan Elektronik UCL percaya bahwa memristor dapat “memainkan peran utama” dalam membuat perangkat komputasi edge yang lebih berkelanjutan dan perangkat IoT.

Memristor tidak hanya lebih hemat energi daripada model jaringan saraf tiruan tradisional, tetapi juga dapat dengan mudah dimasukkan ke dalam perangkat genggam. Ini diprediksi akan menjadi sangat penting di masa depan karena lebih banyak data yang dibuat dan ditransmisikan sepanjang waktu, meskipun sulit untuk meningkatkan kapasitas transmisi di luar titik tertentu. Memristor dapat membantu memungkinkan transfer volume data yang besar dengan biaya energi yang jauh lebih rendah.