Подолання розриву між ШІ та нейроморфними обчисленнями

У швидкозмінному ландшафті штучного інтелекту пошук апаратного забезпечення, яке могло б відповідати зростаючим обчислювальним вимогам, невпинно триває. Значного прориву в цьому пошуку було досягнуто завдяки спільній роботі Університету Пердью разом з Каліфорнійським університетом у Сан-Дієго (UCSD) та Вищою шкільною школою фізичної та хімічної промисловості (ESPCI) у Парижі. Ця співпраця знаменує собою ключовий прогрес у галузі нейроморфних обчислень – революційного підходу, який прагне імітувати механізми людського мозку в рамках обчислювальної архітектури.

Виклики сучасного апаратного забезпечення AI

Швидкий розвиток штучного інтелекту привів до появи складних алгоритмів і моделей, що вимагає безпрецедентного рівня обчислювальної потужності. Проте, коли ми заглиблюємось у сфери штучного інтелекту, постає кричуща проблема: неадекватність поточної архітектури комп’ютерів на основі кремнію йти в ногу з мінливими вимогами технології ШІ.

Еріка Карлсон, професорка фізики та астрономії в Університеті Пердью, яка присвячена 150-річчю з дня його народження, лаконічно формулює цю проблему. Вона пояснює: «Коди революції штучного інтелекту, натхненні мозком, здебільшого виконуються на звичайних кремнієвих комп’ютерних архітектурах, які не були для цього розроблені». Це спостереження підкреслює фундаментальний розрив між існуючим обладнанням, в основному призначеним для обчислень загального призначення, та спеціалізованими потребами передових алгоритмів штучного інтелекту.

Ця невідповідність, як зазначає Карлсон, не тільки обмежує потенційні можливості застосування ШІ, але й призводить до значної неефективності використання енергії. Кремнієві чіпи, лідери цифрової ери, за своєю суттю непридатні для паралельної та взаємопов’язаної обробки, якої потребують нейронні мережі та моделі глибокого навчання. Лінійна та послідовна обробка традиційних процесорів (центральних процесорів) і графічних процесорів (графічних процесорів) різко контрастує з вимогами передових обчислень ШІ.

Представлені нейроморфні обчислення

Спільні дослідницькі зусилля завершилися значним проривом, як описано в їх дослідженні «Пам'ять просторово розподіленого реверсу рампи у VO2«Це дослідження віщує новий підхід до обчислювального обладнання, натхненний синаптичними операціями людського мозку».

Центральним у цьому прориві є концепція нейроморфних обчислень. На відміну від традиційних обчислювальних архітектур, нейроморфні обчислення намагаються імітувати структуру та функціональність людського мозку, особливо зосереджуючись на нейронах і синапсах. Нейрони — це клітини мозку, що передають інформацію, а синапси — це проміжки, що дозволяють сигналам проходити від одного нейрона до іншого. У біологічному мозку ці синапси є критичними для кодування пам’яті.

Інновація команди полягає у використанні оксидів ванадію – матеріалів, унікально підходящих для створення штучних нейронів і синапсів. Цей вибір матеріалу являє собою значний відхід від традиційних кремнієвих підходів, втілюючи суть нейроморфної архітектури – реплікацію поведінки, подібної до поведінки мозку, в обчислювальних чіпах.

Енергоефективність і вдосконалені обчислення

Наслідки цього прориву є далекосяжними, особливо з точки зору енергоефективності та обчислювальних можливостей. Карлсон детально описує потенційні переваги, заявляючи: «Нейроморфні архітектури обіцяють процесори з меншим енергоспоживанням, покращені обчислення, принципово інші режими обчислень, власне навчання та покращене розпізнавання образів». Цей перехід до нейроморфних обчислень може змінити ландшафт апаратного забезпечення ШІ, зробивши його більш стійким і ефективним.

Одна з найпереконливіших переваг нейроморфних обчислень полягає в тому, що вони обіцяють значно зменшити витрати енергії, пов’язані з навчанням великих мовних моделей, таких як ChatGPT. Нинішнє високе енергоспоживання таких моделей в основному пояснюється дисонансом між апаратним і програмним забезпеченням – розривом, який нейроморфні обчислення прагне подолати. Імітуючи основні компоненти мозку, ці архітектури забезпечують більш природний і ефективний спосіб для систем штучного інтелекту обробляти дані та навчатися на них.

Крім того, Карлсон вказує на обмеження кремнію у відтворенні нейроноподібної поведінки, критичного аспекту для вдосконалення апаратного забезпечення ШІ. Нейроморфні архітектури з їхньою здатністю імітувати як синапси, так і нейрони можуть революціонізувати функціонування систем штучного інтелекту, наближаючись до моделі, більш схожої на когнітивні процеси людини.

Ключовим елементом цього дослідження є інноваційне використання оксидів ванадію. Цей матеріал продемонстрував великі перспективи для моделювання функцій нейронів і синапсів людського мозку. Александр Ціммерс, провідний вчений-експериментатор з Університету Сорбонни та ESPCI, підкреслює цей прорив, кажучи: «У діоксиді ванадію ми спостерігали, як він поводиться як штучний синапс, що є значним кроком у нашому розумінні».

Дослідження команди призвело до розробки простішого та ефективнішого способу зберігання пам'яті, подібного до того, як це робить людський мозок. Спостерігаючи за поведінкою оксиду ванадію за різних умов, вони виявили, що пам'ять зберігається не лише в ізольованих частинах матеріалу, а й розподілена по всьому матеріалу. Це відкриття є надзвичайно важливим, оскільки воно пропонує нові способи проектування та створення нейроморфних пристроїв, які могли б ефективніше та результативніше обробляти інформацію, подібно до людського мозку.

Розвиток нейроморфних обчислень

Спираючись на свої новаторські відкриття, дослідницька група вже визначає курс для наступного етапу своєї роботи. Маючи встановлену здатність спостерігати зміни в нейроморфному матеріалі, вони планують продовжувати експерименти, локально налаштовуючи властивості матеріалу. Циммерс пояснює потенціал цього підходу: «Це може дозволити нам направляти електричний струм через певні області зразка, де ефект пам'яті максимальний, значно покращуючи синаптичну поведінку цього нейроморфного матеріалу».

Цей напрямок відкриває захоплюючі можливості для майбутнього нейроморфних обчислень. Удосконалюючи контроль і маніпуляції цими матеріалами, дослідники прагнуть створити ефективніші та ефективніші нейроморфні пристрої. Такі досягнення можуть призвести до апаратного забезпечення, здатного точніше імітувати складність людського мозку, прокладаючи шлях для більш складних та енергоефективних систем ШІ.