Atšķirības mazināšana starp AI un neiromorfo skaitļošanu

Strauji mainīgajā mākslīgā intelekta vidē meklējumi pēc aparatūras, kas spēj iet kopsolī ar augošajām skaitļošanas prasībām, ir nerimstoši. Nozīmīgs izrāviens šajos meklējumos ir panākts, pateicoties Purdjū Universitātes, Kalifornijas Sandjego Universitātes (UCSD) un École Supérieure de Physique et de Chimie Industrielles (ESPCI) sadarbībai Parīzē. Šī sadarbība iezīmē galveno progresu neiromorfās skaitļošanas jomā, kas ir revolucionāra pieeja, kuras mērķis ir līdzināties cilvēka smadzeņu mehānismiem skaitļošanas arhitektūrā.

Pašreizējās AI aparatūras izaicinājumi

Straujā mākslīgā intelekta attīstība ir radījusi sarežģītus algoritmus un modeļus, kas prasa nepieredzētu skaitļošanas jaudu. Tomēr, iedziļinoties AI jomās, parādās kliedzošs izaicinājums: pašreizējās uz silīciju balstītās datoru arhitektūras neatbilstība AI tehnoloģiju mainīgajām prasībām.

Ērika Karlsone, 150. gadadienas fizikas un astronomijas profesore Purdī Universitātē, šo izaicinājumu formulē lakoniski. Viņa skaidro: "AI revolūcijas smadzeņu iedvesmotie kodi lielākoties tiek darbināti uz tradicionālajām silīcija datoru arhitektūrām, kas tai nav paredzētas." Šis novērojums uzsver būtisku nesaikni starp esošo aparatūru, kas galvenokārt ir pielāgota vispārējai skaitļošanai, un AI uzlaboto algoritmu specializētajām vajadzībām.

Šī neatbilstība, kā norāda Karlsons, ne tikai samazina iespējamos AI lietojumus, bet arī rada ievērojamu enerģijas neefektivitāti. Silīcija mikroshēmas, digitālā laikmeta cienītāji, pēc būtības nav piemērotas paralēlai un savstarpēji saistītai apstrādei, kas nepieciešama neironu tīkliem un dziļās mācīšanās modeļiem. Tradicionālo CPU (centrālo procesoru vienību) un GPU (grafiskās apstrādes vienību) lineārās un secīgās apstrādes spējas ir krasā pretstatā uzlaboto AI aprēķinu prasībām.

Neiromorfā skaitļošana atklāta

Sadarbības pētniecības centieni ir vainagojušies ar ievērojamu izrāvienu, kā sīki aprakstīts viņu pētījumā "Telpiski sadalīta rampas maiņas atmiņa VO2”. Šis pētījums vēsta par jaunu pieeju skaitļošanas aparatūrai, ko iedvesmojušas cilvēka smadzeņu sinaptiskās darbības.

Galvenais šajā izrāvienā ir neiromorfās skaitļošanas jēdziens. Atšķirībā no tradicionālajām skaitļošanas arhitektūrām, neiromorfā skaitļošana cenšas atdarināt cilvēka smadzeņu struktūru un funkcionalitāti, īpaši koncentrējoties uz neironiem un sinapsēm. Neironi ir smadzeņu šūnas, kas pārraida informāciju, un sinapses ir spraugas, kas ļauj signāliem pāriet no viena neirona uz nākamo. Bioloģiskajās smadzenēs šīs sinapses ir būtiskas atmiņas kodēšanai.

Komandas inovācija slēpjas vanādija oksīdu izmantošanā, kas ir unikāli piemēroti mākslīgo neironu un sinapsu radīšanai. Šī materiāla izvēle ir būtiska atkāpe no tradicionālajām uz silīciju balstītām pieejām, kas iemieso neiromorfās arhitektūras būtību – smadzenēm līdzīgas uzvedības replikāciju skaitļošanas mikroshēmās.

Energoefektivitāte un uzlabota skaitļošana

Šī sasnieguma sekas ir tālejošas, jo īpaši attiecībā uz energoefektivitāti un skaitļošanas iespējām. Karlsons sīkāk izklāsta iespējamos ieguvumus, norādot: "Neiromorfās arhitektūras sola nodrošināt mazāku enerģijas patēriņa procesorus, uzlabotu aprēķinu, būtiski atšķirīgus skaitļošanas režīmus, vietējo mācīšanos un uzlabotu modeļu atpazīšanu." Šī pāreja uz neiromorfisko skaitļošanu varētu no jauna definēt AI aparatūras ainavu, padarot to ilgtspējīgāku un efektīvāku.

Viena no pārliecinošākajām neiromorfās skaitļošanas priekšrocībām ir tās solījums ievērojami samazināt enerģijas izmaksas, kas saistītas ar lielu valodu modeļu, piemēram, ChatGPT, apmācību. Šādu modeļu pašreizējais lielais enerģijas patēriņš lielā mērā ir saistīts ar disonansi starp aparatūru un programmatūru - plaisu, kuru neiromorfās skaitļošanas mērķis ir pārvarēt. Atdarinot smadzeņu pamatkomponentus, šīs arhitektūras nodrošina dabiskāku un efektīvāku veidu, kā AI sistēmas var apstrādāt datus un mācīties no tiem.

Turklāt Karlsons norāda uz silīcija ierobežojumiem neironiem līdzīgas uzvedības atkārtošanā, kas ir būtisks AI aparatūras attīstības aspekts. Neiromorfās arhitektūras ar to spēju atdarināt gan sinapses, gan neironus, var mainīt AI sistēmu darbību, tuvojoties modelim, kas vairāk līdzinās cilvēka kognitīvajiem procesiem.

Galvenais šī pētījuma elements ir vanādija oksīdu novatoriska izmantošana. Šis materiāls ir izrādījis lielu solījumu cilvēka smadzeņu neironu un sinapsu funkciju simulēšanai. Aleksandrs Zimmers, vadošais eksperimentālais zinātnieks no Sorbonnas universitātes un ESPCI, uzsver izrāvienu, sakot: "Vādija dioksīdā mēs esam novērojuši, kā tas uzvedas kā mākslīga sinapse, kas ir būtisks lēciens mūsu izpratnē."

Komandas pētījumi ir radījuši vienkāršāku un efektīvāku atmiņas saglabāšanas veidu, līdzīgi kā to dara cilvēka smadzenes. Novērojot, kā vanādija oksīds uzvedas dažādos apstākļos, viņi ir atklājuši, ka atmiņa netiek glabāta tikai atsevišķās materiāla daļās, bet ir izplatīta visā pasaulē. Šis ieskats ir ļoti svarīgs, jo tas ierosina jaunus veidus, kā izstrādāt un veidot neiromorfiskas ierīces, kas varētu efektīvāk un efektīvāk apstrādāt informāciju, piemēram, cilvēka smadzenes.

Neiromorfās skaitļošanas attīstība

Pamatojoties uz saviem revolucionārajiem atklājumiem, pētnieku komanda jau plāno nākamā darba posma kursu. Ar noteikto spēju novērot izmaiņas neiromorfā materiālā, viņi plāno turpināt eksperimentēt, lokāli pielāgojot materiāla īpašības. Zimmers skaidro šīs pieejas potenciālu: "Tas varētu ļaut mums vadīt elektrisko strāvu caur konkrētiem parauga reģioniem, kur atmiņas efekts ir maksimālais, ievērojami uzlabojot šī neiromorfiskā materiāla sinaptisko uzvedību."

Šis virziens paver aizraujošas iespējas neiromorfās skaitļošanas nākotnei. Uzlabojot šo materiālu kontroli un manipulācijas, pētnieku mērķis ir izveidot efektīvākas un iedarbīgākas neiromorfiskas ierīces. Šādi sasniegumi varētu novest pie aparatūras, kas spēj vairāk līdzināties cilvēka smadzeņu sarežģītībai, paverot ceļu sarežģītākām un energoefektīvākām AI sistēmām.