Å bygge bro mellom AI og nevromorf databehandling

I det raskt utviklende landskapet innen kunstig intelligens er jakten på maskinvare som kan holde tritt med de økende beregningskravene ustanselig. Et betydelig gjennombrudd i denne søken har blitt oppnådd gjennom et samarbeid ledet av Purdue University, sammen med University of California San Diego (UCSD) og École Supérieure de Physique et de Chimie Industrielles (ESPCI) i Paris. Dette samarbeidet markerer et sentralt fremskritt innen nevromorfisk databehandling, en revolusjonerende tilnærming som søker å etterligne den menneskelige hjernens mekanismer innen databehandlingsarkitektur.

Utfordringene med nåværende AI-maskinvare

De raske fremskritt innen AI har innledet komplekse algoritmer og modeller, som krever et enestående nivå av beregningskraft. Likevel, når vi går dypere inn i AI-riket, dukker det opp en stor utfordring: utilstrekkeligheten til dagens silisiumbaserte datamaskinarkitekturer i takt med de utviklende kravene til AI-teknologi.

Erica Carlson, professor i fysikk og astronomi ved Purdue University i anledning av 150-årsjubileet, formulerer denne utfordringen kortfattet. Hun forklarer: «Den hjerneinspirerte koden i AI-revolusjonen kjøres i stor grad på konvensjonelle silisium-datamaskinarkitekturer som ikke var designet for den.» Denne observasjonen understreker et fundamentalt brudd mellom eksisterende maskinvare, primært skreddersydd for generell databehandling, og de spesialiserte behovene til AIs avanserte algoritmer.

Dette misforholdet, som Carlson påpeker, begrenser ikke bare de potensielle anvendelsene av AI, men fører også til betydelig energiineffektivitet. Silisiumbrikker, den digitale tidsalderens trofaste, er i seg selv uegnet for den parallelle og sammenkoblede behandlingen som nevrale nettverk og dyplæringsmodeller krever. Den lineære og sekvensielle prosesseringsevnen til tradisjonelle CPUer (Central Processing Units) og GPUer (Graphics Processing Units) står i sterk kontrast til kravene til avanserte AI-beregninger.

Neuromorphic Computing avduket

Den samarbeidende forskningsinnsatsen har kulminert i et betydelig gjennombrudd, som beskrevet i deres studie "Romlig distribuert rampe-reverseringsminne i VO2«Denne forskningen varsler en ny tilnærming til databehandlingsmaskinvare, inspirert av den menneskelige hjernens synaptiske operasjoner.»

Sentralt i dette gjennombruddet er konseptet med nevromorfisk databehandling. I motsetning til tradisjonelle dataarkitekturer, forsøker nevromorfisk databehandling å etterligne strukturen og funksjonaliteten til den menneskelige hjernen, spesielt med fokus på nevroner og synapser. Nevroner er de informasjonsoverførende cellene i hjernen, og synapser er hullene som lar signaler gå fra ett nevron til det neste. I biologiske hjerner er disse synapsene avgjørende for å kode minne.

Teamets innovasjon ligger i bruken av vanadiumoksider, materialer som er unikt egnet for å lage kunstige nevroner og synapser. Dette materialvalget representerer et betydelig avvik fra konvensjonelle silisiumbaserte tilnærminger, og legemliggjør essensen av nevromorfisk arkitektur – replikeringen av hjernelignende atferd i databrikker.

Energieffektivitet og forbedret beregning

Implikasjonene av dette gjennombruddet er vidtrekkende, spesielt når det gjelder energieffektivitet og beregningsevne. Carlson utdyper de potensielle fordelene, og sier: "Neuromorfe arkitekturer lover lavere energiforbruk prosessorer, forbedret beregning, fundamentalt forskjellige beregningsmoduser, naturlig læring og forbedret mønstergjenkjenning." Dette skiftet mot nevromorf databehandling kan redefinere landskapet til AI-maskinvare, noe som gjør det mer bærekraftig og effektivt.

En av de mest overbevisende fordelene med nevromorfisk databehandling er løftet om å redusere energikostnadene forbundet med å trene store språkmodeller som ChatGPT betydelig. Det nåværende høye energiforbruket til slike modeller tilskrives i stor grad dissonansen mellom maskinvare og programvare – et gap som nevromorf databehandling har som mål å bygge bro over. Ved å emulere de grunnleggende komponentene i en hjerne, gir disse arkitekturene en mer naturlig og effektiv måte for AI-systemer å behandle og lære av data.

Videre påpeker Carlson begrensningene til silisium i replikering av nevronlignende oppførsel, et kritisk aspekt for å fremme AI-maskinvare. Nevromorfe arkitekturer, med deres evne til å etterligne både synapser og nevroner, vil revolusjonere hvordan AI-systemer fungerer, og beveger seg nærmere en modell som er mer beslektet med menneskelige kognitive prosesser.

Et sentralt element i denne forskningen er den innovative bruken av vanadiumoksider. Dette materialet har vist seg lovende for å simulere funksjonene til den menneskelige hjernens nevroner og synapser. Alexandre Zimmers, en ledende eksperimentell forsker fra Sorbonne University og ESPCI, fremhever gjennombruddet og sier: «I vanadiumdioksid har vi observert hvordan det oppfører seg som en kunstig synapse, et betydelig sprang i vår forståelse.»

Teamets forskning har ført til en enklere og mer effektiv måte å lagre hukommelse på, på samme måte som den menneskelige hjernen gjør. Ved å observere hvordan vanadiumoksid oppfører seg under forskjellige forhold, har de oppdaget at hukommelsen ikke bare lagres i isolerte deler av materialet, men er spredt overalt. Denne innsikten er avgjørende fordi den antyder nye måter å designe og bygge nevromorfe enheter på, som kan behandle informasjon mer effektivt og produktivt slik den menneskelige hjernen gjør.

Fremme nevromorfisk databehandling

Ved å bygge på sine banebrytende funn, staker forskerteamet allerede ut kursen for neste fase av arbeidet sitt. Med den etablerte evnen til å observere endringer i det nevromorfe materialet, planlegger de å eksperimentere videre ved å lokalt justere materialets egenskaper. Zimmers forklarer potensialet i denne tilnærmingen: «Dette kan tillate oss å lede den elektriske strømmen gjennom spesifikke områder i prøven der minneeffekten er på sitt maksimale, noe som forbedrer den synaptiske oppførselen til dette nevromorfe materialet betydelig.»

Denne retningen åpner for spennende muligheter for fremtiden for nevromorf databehandling. Ved å foredle kontrollen og manipulasjonen av disse materialene, tar forskerne sikte på å skape mer effektive og effektive nevromorfe enheter. Slike fremskritt kan føre til maskinvare som er i stand til å etterligne kompleksiteten til den menneskelige hjernen, og baner vei for mer sofistikerte og energieffektive AI-systemer.