Broer gapet mellom AI og nevro-morf datamaskiner

I det raskt utviklende landskapet av kunstig intelligens, er jakten på maskinvare som kan holde pace med de økende beregningskravene, uavbrutt. Et betydelig gjennombrudd i denne jakten 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 en avgjørende fremgang i feltet nevro-morf datamaskiner, en revolusjonerende tilnærming som søker å etterligne menneskehjernens mekanismer innen datamaskinarkitektur.

Utfordringene med nåværende AI-maskinvare

De raske fremgangene i AI har ført til komplekse algoritmer og modeller, som krever en utenkelig niveau av beregningskraft. Men når vi dykker dyptere inn i AI-verdenen, oppstår en glitrende utfordring: utilstrekkeligheten av nåværende silisium-baserte datamaskinarkitekturer i å holde pace med de utviklende kravene til AI-teknologi.

Erica Carlson, den 150. årsdagen professor i fysikk og astronomi ved Purdue University, uttrykker denne utfordringen konsist. Hun forklarer: “Hjernen-inspirerte koder for AI-revolusjonen kjøres for det meste på konvensjonelle silisium-datamaskinarkitekturer som ikke var designet for det.” Dette understreker en grunnleggende diskonneksjon mellom den eksisterende maskinvaren, hovedsakelig tilpasset for generell formål datamaskiner, og de spesialiserte behovene til AI sine avanserte algoritmer.

Denne misforholdet, som Carlson peker på, ikke bare begrenser de potensielle anvendelsene av AI, men fører også til betydelige energi-ineffektiviteter. Silisium-chipene, hjørnestensene i den digitale alderen, er intrinsisk uegnet for den parallele og sammenkoblede prosessering som neurale nettverk og dypt læring modeller krever. Den lineære og sekvensielle prosesseringsevnen til tradisjonelle CPUer (Central Processing Units) og GPUer (Graphics Processing Units) står i skarp kontrast til kravene til avanserte AI-beregninger.

Nevro-morf datamaskiner avdekket

Det samarbeidende forskningsarbeidet har resultert i et betydelig gjennombrudd, som detaljert i deres studie “Spatially Distributed Ramp Reversal Memory in VO2.” Dette forskningsarbeidet markerer en ny tilnærming til datamaskinmaskinvare, inspirert av menneskehjernens synapser.

Sentral til dette gjennombruddet er konseptet nevro-morf datamaskiner. I motsetning til tradisjonelle datamaskinarkitekturer, søker nevro-morf datamaskiner å etterligne strukturen og funksjonen til menneskehjernen, spesielt fokusert på neuroner og synapser. Neuroner er informasjons-overførende celler i hjernen, og synapser er gapene som tillater signaler å passere fra en neuron til den neste. I biologiske hjerner er disse synapsene kritiske for å kode minne.

Teamets innovasjon ligger i deres bruk av vanadiumoksid, materialer som er unikt egnet for å skape kunstige neuroner og synapser. Dette valget av materiale representerer en betydelig avvik fra konvensjonelle silisium-baserte tilnærminger, og inkorporerer essensen av nevro-morf arkitektur – replikering av hjerneliknende atferd innen datamaskin-chip.

Energi-effektivitet og forbedret beregning

Konsekvensene av dette gjennombruddet er langtrekkende, spesielt i forhold til energi-effektivitet og beregningskapasiteter. Carlson utdyper de potensielle fordelene, og sier: “Nevro-morfe arkitekturer har potensial for lavere energiforbruk prosessorer, forbedret beregning, fundamentalt forskjellige beregningsmoduser, innfødt læring og forbedret mønster-gjenkjenning.” Denne overgangen til nevro-morf datamaskiner kunne definere landskapet av AI-maskinvare, og gjøre det mer bærekraftig og effektivt.

En av de mest overbevisende fordelene med nevro-morf datamaskiner er deres potensial for å redusere energikostnadene forbundet med å trene store språkmodeller som ChatGPT. Den nåværende høye energiforbruket til slike modeller skyldes i stor grad dissonansen mellom maskinvare og programvare – en gap som nevro-morf datamaskiner søker å lukke. Ved å etterligne de grunnleggende komponentene i en hjjerne, tilbyr disse arkitekturer en mer naturlig og effektiv måte for AI-systemer å prosessere og lære fra data.

Carlson peker også på begrensningene til silisium i å replikere neuron-lignende atferd, en kritisk aspekt for å fremme AI-maskinvare. Nevro-morfe arkitekturer, med deres evne til å etterligne både synapser og neuroner, står til å revolusjonere hvordan AI-systemer fungerer, og bringe dem nærmere en modell som er mer lik menneskelig kognitiv prosess.

Alexandre Zimmers, en ledende eksperimentell vitenskapsmann fra Sorbonne University og ESPCI, understreker gjennombruddet, og sier: “I vanadiumdioksid har vi observert hvordan det oppfører seg som en kunstig synapse, et betydelig skritt i vår forståelse.”

Teamets forskning har ført til en enklere og mer effektiv måte å lagre minne på, lignende hvordan menneskehjernen gjør det. Ved å observere hvordan vanadiumoksid oppfører seg under forskjellige forhold, har de oppdaget at minnet ikke bare lagres i isolerte deler av materialet, men er spredt over hele. Denne innsikten er avgjørende fordi den antyder nye måter å designe og bygge nevro-morfe enheter, som kunne prosessere informasjon mer effektivt og effektivt som menneskehjernen.

Fremme nevro-morf datamaskiner

Bygging på deres banebrytende funn, planlegger forskningsteamet allerede neste fase av sitt arbeid. Med den etablerte evnen til å observere endringer innen nevro-morf materialet, planlegger de å eksperimentere videre ved å lokalt justere materialets egenskaper. Zimmers forklarer potensialet i denne tilnærmingen: “Dette kunne tillate oss å guide den elektriske strømmen gjennom bestemte regioner i prøven hvor minneeffekten er på sitt maksimum, og betydelig forbedre den synaptiske atferden til dette nevro-morfe materialet.”

Dette åpner opp spennende muligheter for fremtiden til nevro-morf datamaskiner. Ved å forbedre kontrollen og manipuleringen av disse materialene, søker forskerne å skape mer effektive og effektive nevro-morfe enheter. Slike fremgang kunne føre til maskinvare som kan etterligne kompleksiteten til menneskehjernen, og åpne veien for mer sofistikerte og energi-effektive AI-systemer.