Перепоновування розриву між штучним інтелектом і нейроморфним обчисленням

У швидкозмінному ландшафті штучного інтелекту пошуки апаратного забезпечення, яке може впоратися з зростаючими обчислювальними вимогами, є безперервним. Видатний прорив у цьому пошуку був досягнутий завдяки спільним зусиллям під керівництвом Університету Пердью, разом з Університетом Каліфорнії Сан-Дієго (UCSD) та École Supérieure de Physique et de Chimie Industrielles (ESPCI) у Парижі. Ця співпраця відзначає важливий крок вперед у галузі нейроморфного обчислення, революційного підходу, який намагається імітувати механізми людського мозку в архітектурі обчислень.

Виклики поточної апаратури штучного інтелекту

Швидкий розвиток штучного інтелекту привів до появи складних алгоритмів і моделей, які вимагають безпрецедентного рівня обчислювальної потужності. Однак, коли ми заглиблюємося у царину штучного інтелекту, виникає яскравий виклик: недолік поточної апаратури на основі кремнію для задоволення зростаючих вимог технології штучного інтелекту.

Еріка Карлсон, професор фізики та астрономії Університету Пердью, виразно формулює цей виклик. Вона пояснює: “Коди, натхнені мозком, революції штучного інтелекту, в основному використовуються на традиційних архітектурах комп’ютерів на основі кремнію, які не були розроблені для цього.” Це спостереження підкреслює фундаментальну відмінність між існуючою апаратурою, в основному призначеною для загального призначення, і спеціалізованими потребами передових алгоритмів штучного інтелекту.

Ця невідповідність, як зазначає Карлсон, не тільки обмежує потенційні застосування штучного інтелекту, але також призводить до суттєвих енергетичних неефективностей. Кремнієві чіпи, опори цифрової епохи, не підходять для паралельної та взаємопов’язаної обробки, яку вимагають нейронні мережі та моделі глибокого навчання. Лінійна та послідовна обробка традиційних ЦП (центральних процесорів) і ГП (графічних процесорів) різко контрастує з вимогами передових обчислень штучного інтелекту.

Нейроморфне обчислення: новий підхід

Спільні дослідження завершилися значним проривом, як детально описано в їхньому дослідженні “Просторово розподілене відновлення пам’яті в VO2”. Це дослідження оголошує новий підхід до апаратного забезпечення комп’ютерів, натхненний операціями синапсів людського мозку.

Центральним у цьому прориві є концепція нейроморфного обчислення. На відміну від традиційних архітектур комп’ютерів, нейроморфне обчислення намагається імітувати структуру та функціональність людського мозку, особливо зосереджуючись на нейронах і синапсах. Нейрони – це клітини, що передають інформацію в мозку, а синапси – це проміжки, які дозволяють сигналам проходити від одного нейрону до іншого. У біологічних мозках ці синапси критично важливі для кодування пам’яті.

Інновація команди полягає в їхньому використанні ванадієвих оксидів, матеріалів, які особливо підходять для створення штучних нейронів і синапсів. Це вибору матеріалу являє собою суттєвий відхід від традиційних підходів на основі кремнію, втілюючи суть нейроморфної архітектури – реплікацію поведінки, подібної до мозку, в комп’ютерних чіпах.

Енергетична ефективність і підвищення обчислювальних можливостей

Вплив цього прориву далекосяжний, особливо у сфері енергетичної ефективності та обчислювальних можливостей. Карлсон роз’яснює потенційні переваги, заявляючи: “Нейроморфні архітектури обіцяють нижчу енергоспоживання процесорів, підвищення обчислювальних можливостей, суттєво різні обчислювальні режими, вбудоване навчання та підвищену розпізнавання закономірностей.” Цей перехід до нейроморфного обчислення може переінакшити ландшафт апаратного забезпечення штучного інтелекту, роблячи його більш сталим і ефективним.

Однією з найбільш переконливих переваг нейроморфного обчислення є його обіцянка суттєво знизити енергетичних витрат, пов’язаних з навчанням великих мовних моделей, таких як ChatGPT. Поточне високе енергоспоживання таких моделей в основному пов’язане з розбіжністю між апаратним і програмним забезпеченням – розривом, який нейроморфне обчислення намагається подолати. Імітуючи базові компоненти мозку, ці архітектури забезпечують більш природний і ефективний спосіб обробки та навчання даних штучним інтелектом.

Крім того, Карлсон підкреслює обмеження кремнію в імітуванні поведінки нейронів, критичного аспекту для розвитку апаратного забезпечення штучного інтелекту. Нейроморфні архітектури, з їхньою здатністю імітувати як синапси, так і нейрони, стоять на шляху до революціонізування того, як функціонують системи штучного інтелекту, наближаючись до моделі, яка більше нагадує людські когнітивні процеси.

Ключовим елементом цього дослідження є інноваційне використання ванадієвих оксидів. Цей матеріал показав великі перспективи для імітування функцій нейронів і синапсів людського мозку. Олександр Зіммерс, провідний експериментальний вчений з Сорбонни та ESPCI, підкреслює прорив, кажучи: “У ванадієвому діоксиді ми спостерігали, як він поводиться як штучний синапс, суттєвий крок у нашому розумінні.”

Дослідження команди привело до простішого та більш ефективного способу зберігання пам’яті, подібного до того, як це робить людський мозок. Наслідуючи, як ванадієвий оксид поводиться під різними умовами, вони виявили, що пам’ять не зберігається лише в ізольованих частинах матеріалу, а розподілена по всьому матеріалу. Це відкриття критично важливе, оскільки воно пропонує нові шляхи для розробки та будівництва нейроморфних пристроїв, які могли б більш ефективно та ефективно обробляти інформацію, подібну до людського мозку.

Розвиток нейроморфного обчислення

Розбудовуючи свої революційні відкриття, команда дослідників вже розпочала плани наступної фази своєї роботи. З встановленою можливістю спостерігати зміни в нейроморфному матеріалі, вони планують проводити подальші експерименти, локально коригуючи властивості матеріалу. Зіммерс пояснює потенціал цього підходу: “Це могло б дозволити нам спрямовувати електричний струм через певні регіони в зразку, де ефект пам’яті є максимальним, суттєво підвищуючи синаптичну поведінку цього нейроморфного матеріалу.”

Цей напрям відкриває цікаві можливості для майбутнього нейроморфного обчислення. Розробляючи контроль та маніпуляцію цими матеріалами, дослідники намагаються створити більш ефективні та ефективні нейроморфні пристрої. Такі досягнення могли б привести до апаратного забезпечення, яке зможе більш точно імітувати складності людського мозку, проклавши шлях для більш досконалих та енергоефективних систем штучного інтелекту.