เทคโนโลยีฮาร์ดแวร์ AI เลียนแบบการเปลี่ยนแปลงในโทโพโลยีโครงข่ายประสาทเทียม

กลุ่มนักวิจัยจาก The Korea Advanced Institute of Science and Technology (KAIST) ได้เสนอระบบใหม่ที่ได้รับแรงบันดาลใจจากการปรับระบบประสาทของสมอง ซึ่งเรียกว่า "ระบบ stashing" ระบบที่เสนอใหม่นี้ต้องการการใช้พลังงานน้อยลง 

นำทีมโดยศาสตราจารย์ Kyung Min Kim จากภาควิชาวัสดุศาสตร์และวิศวกรรมศาสตร์ งานวิจัยตีพิมพ์ใน วัสดุการทำงานขั้นสูง และได้รับการสนับสนุนจาก KAIST, National Research Foundation of Korea, National NanoFab Center และ SK Hynix 

เลียนแบบโทโพโลยีโครงข่ายประสาทเทียม

นักวิจัยได้พัฒนาเทคโนโลยีที่สามารถจัดการการดำเนินการทางคณิตศาสตร์สำหรับปัญญาประดิษฐ์ได้อย่างมีประสิทธิภาพ โดยเลียนแบบการเปลี่ยนแปลงในโทโพโลยีของโครงข่ายประสาทเทียมขึ้นอยู่กับสถานการณ์ สิ่งนี้ได้รับแรงบันดาลใจจากสมองของมนุษย์ซึ่งสามารถเปลี่ยนโทโพโลยีของระบบประสาทได้แบบเรียลไทม์ ทำให้สามารถเรียนรู้ที่จะจัดเก็บหรือเรียกคืนความทรงจำเมื่อจำเป็น 

วิธีการเรียนรู้แบบใหม่ของ AI นี้ใช้การกำหนดค่าวงจรการประสานงานของระบบประสาทโดยตรง 

เพื่อให้การนำ AI ไปใช้อย่างมีประสิทธิภาพในอุปกรณ์อิเล็กทรอนิกส์ สิ่งสำคัญคือต้องมีการสนับสนุนการพัฒนาฮาร์ดแวร์แบบกำหนดเอง ด้วยเหตุนี้ อุปกรณ์อิเล็กทรอนิกส์ส่วนใหญ่ที่สร้างขึ้นสำหรับ AI จึงต้องใช้พลังงานสูง หากต้องการทำงานขนาดใหญ่ พวกเขายังต้องการอาร์เรย์หน่วยความจำที่มีการผสานรวมสูง ข้อจำกัดในการบริโภคและการบูรณาการเหล่านี้ได้รับการพิสูจน์แล้วว่ายากที่จะเอาชนะ ดังนั้นนักวิจัยจึงเริ่มมองลึกลงไปภายในสมองของมนุษย์เพื่อรู้ว่ามันแก้ปัญหาอย่างไร 

เทคโนโลยีที่มีประสิทธิภาพสูง

ทีมงานได้แสดงให้เห็นถึงประสิทธิภาพของเทคโนโลยีใหม่โดยการสร้างฮาร์ดแวร์เครือข่ายประสาทเทียมที่มีอาร์เรย์และอัลกอริทึม synaptic ที่แก้ไขได้เองซึ่งเรียกว่า "ระบบ stashing" ฮาร์ดแวร์นี้ได้รับการพัฒนาเพื่อดำเนินการเรียนรู้ AI และสามารถลดพลังงานได้ถึง 37% ภายในระบบจัดเก็บโดยไม่ทำให้ความแม่นยำลดลง 

“ในการศึกษานี้ เราใช้วิธีการเรียนรู้ของสมองมนุษย์ด้วยองค์ประกอบวงจรง่ายๆ และด้วยวิธีนี้ เราสามารถลดพลังงานที่จำเป็นลงได้เกือบ 40 เปอร์เซ็นต์” ศาสตราจารย์คิมกล่าว 

สิ่งสำคัญประการหนึ่งของระบบจัดเก็บใหม่นี้ซึ่งเลียนแบบการทำงานของสมองก็คือ เข้ากันได้กับอุปกรณ์อิเล็กทรอนิกส์ที่มีอยู่และฮาร์ดแวร์เซมิคอนดักเตอร์ที่จำหน่ายในท้องตลาด ระบบสามารถมีบทบาทสำคัญในการออกแบบชิปเซมิคอนดักเตอร์รุ่นต่อไปสำหรับ AI