Thu hẹp khoảng cách giữa AI và điện toán mô phỏng thần kinh

Trong bối cảnh trí tuệ nhân tạo đang phát triển nhanh chóng, việc tìm kiếm phần cứng có thể theo kịp nhu cầu tính toán ngày càng tăng là không ngừng. Một bước đột phá đáng kể trong nhiệm vụ này đã đạt được nhờ nỗ lực hợp tác do Đại học Purdue dẫn đầu, cùng với Đại học California San Diego (UCSD) và École Supérieure de Physique et de Chimie Industrielles (ESPCI) ở Paris. Sự hợp tác này đánh dấu một tiến bộ then chốt trong lĩnh vực điện toán mô phỏng thần kinh, một cách tiếp cận mang tính cách mạng nhằm tìm cách mô phỏng các cơ chế của bộ não con người trong kiến ​​trúc điện toán.

Những thách thức của phần cứng AI hiện tại

Những tiến bộ nhanh chóng trong AI đã mở ra các thuật toán và mô hình phức tạp, đòi hỏi sức mạnh tính toán ở mức độ chưa từng có. Tuy nhiên, khi chúng ta nghiên cứu sâu hơn về lĩnh vực AI, một thách thức rõ ràng xuất hiện: sự thiếu hụt của kiến ​​trúc máy tính dựa trên silicon hiện tại trong việc theo kịp nhu cầu ngày càng tăng của công nghệ AI.

Erica Carlson, Giáo sư Vật lý và Thiên văn học kỷ niệm 150 năm tại Đại học Purdue, trình bày ngắn gọn thách thức này. Cô giải thích: “Các mã lấy cảm hứng từ bộ não của cuộc cách mạng AI phần lớn đang được chạy trên các kiến ​​trúc máy tính silicon thông thường vốn không được thiết kế cho nó”. Quan sát này nhấn mạnh sự mất kết nối cơ bản giữa phần cứng hiện có, chủ yếu được thiết kế cho điện toán đa năng và các nhu cầu chuyên biệt về thuật toán tiên tiến của AI.

Sự không phù hợp này, như Carlson chỉ ra, không chỉ hạn chế các ứng dụng tiềm năng của AI mà còn dẫn đến sự thiếu hiệu quả đáng kể về năng lượng. Chip silicon, sản phẩm vững chắc của thời đại kỹ thuật số, về bản chất không phù hợp để xử lý song song và liên kết với nhau mà mạng lưới thần kinh và mô hình học sâu yêu cầu. Khả năng xử lý tuyến tính và tuần tự của CPU (Bộ xử lý trung tâm) và GPU (Bộ xử lý đồ họa) truyền thống hoàn toàn trái ngược với nhu cầu tính toán AI nâng cao.

Điện toán thần kinh được ra mắt

Nỗ lực hợp tác nghiên cứu đã đạt đến đỉnh cao trong một bước đột phá đáng kể, như được trình bày chi tiết trong nghiên cứu của họ “Bộ nhớ đảo ngược đoạn đường nối được phân bổ theo không gian trong VO2.” Nghiên cứu này báo trước một cách tiếp cận mới đối với phần cứng máy tính, lấy cảm hứng từ hoạt động khớp thần kinh của não người.

Trọng tâm của bước đột phá này là khái niệm điện toán mô phỏng thần kinh. Không giống như các kiến ​​trúc điện toán truyền thống, điện toán mô phỏng thần kinh nỗ lực bắt chước cấu trúc và chức năng của bộ não con người, đặc biệt tập trung vào tế bào thần kinh và các khớp thần kinh. Tế bào thần kinh là các tế bào truyền thông tin trong não và các khớp thần kinh là những khoảng trống cho phép tín hiệu truyền từ tế bào thần kinh này sang tế bào thần kinh tiếp theo. Trong bộ não sinh học, những khớp thần kinh này rất quan trọng cho việc mã hóa bộ nhớ.

Sự đổi mới của nhóm nằm ở việc sử dụng oxit vanadi, vật liệu đặc biệt phù hợp để tạo ra các tế bào thần kinh và khớp thần kinh nhân tạo. Sự lựa chọn vật liệu này thể hiện sự khác biệt đáng kể so với các phương pháp tiếp cận dựa trên silicon thông thường, thể hiện bản chất của kiến ​​trúc hình thái thần kinh – sự tái tạo hành vi giống như não trong các chip điện toán.

Hiệu quả năng lượng và tính toán nâng cao

Ý nghĩa của bước đột phá này là rất sâu rộng, đặc biệt là về hiệu quả sử dụng năng lượng và khả năng tính toán. Carlson giải thích chi tiết về những lợi ích tiềm năng, nêu rõ: “Các kiến ​​trúc mô hình thần kinh hứa hẹn cho các bộ xử lý tiêu thụ năng lượng thấp hơn, tính toán nâng cao, các chế độ tính toán khác nhau về cơ bản, học tập tự nhiên và nhận dạng mẫu nâng cao”. Sự thay đổi hướng tới điện toán mô phỏng thần kinh này có thể xác định lại bối cảnh của phần cứng AI, làm cho nó bền vững và hiệu quả hơn.

Một trong những ưu điểm hấp dẫn nhất của điện toán mô phỏng thần kinh là lời hứa của nó trong việc giảm đáng kể chi phí năng lượng liên quan đến việc đào tạo các mô hình ngôn ngữ lớn như ChatGPT. Mức tiêu thụ năng lượng cao hiện nay của các mô hình như vậy phần lớn là do sự bất hòa giữa phần cứng và phần mềm – một khoảng cách mà điện toán mô phỏng não bộ nhằm mục đích thu hẹp. Bằng cách mô phỏng các thành phần cơ bản của bộ não, các kiến ​​trúc này cung cấp một cách tự nhiên và hiệu quả hơn cho các hệ thống AI xử lý và học hỏi từ dữ liệu.

Hơn nữa, Carlson chỉ ra những hạn chế của silicon trong việc tái tạo hành vi giống tế bào thần kinh, một khía cạnh quan trọng để cải tiến phần cứng AI. Các kiến ​​trúc mô phỏng thần kinh, với khả năng bắt chước cả khớp thần kinh và tế bào thần kinh, có thể cách mạng hóa cách thức hoạt động của các hệ thống AI, tiến gần hơn đến một mô hình giống với quá trình nhận thức của con người hơn.

Một yếu tố quan trọng của nghiên cứu này là việc sử dụng oxit vanadi một cách sáng tạo. Vật liệu này cho thấy nhiều hứa hẹn trong việc mô phỏng chức năng của các tế bào thần kinh và khớp thần kinh trong não người. Alexandre Zimmers, một nhà khoa học thực nghiệm hàng đầu từ Đại học Sorbonne và ESPCI, nhấn mạnh bước đột phá này, cho biết: “Ở vanadi dioxide, chúng tôi đã quan sát thấy nó hoạt động giống như một khớp thần kinh nhân tạo, một bước nhảy vọt đáng kể trong hiểu biết của chúng tôi”.

Nghiên cứu của nhóm đã tìm ra một cách đơn giản hơn, hiệu quả hơn để lưu trữ trí nhớ, tương tự như cách bộ não con người thực hiện. Bằng cách quan sát cách hoạt động của vanadi oxit trong các điều kiện khác nhau, họ đã phát hiện ra rằng trí nhớ không chỉ được lưu trữ ở những phần riêng biệt của vật liệu mà còn trải rộng khắp cơ thể. Cái nhìn sâu sắc này rất quan trọng vì nó gợi ý những cách mới để thiết kế và chế tạo các thiết bị thần kinh, có thể xử lý thông tin hiệu quả hơn như bộ não con người.

Máy tính thần kinh tiến bộ

Dựa trên những phát hiện đột phá của mình, nhóm nghiên cứu đã vạch ra lộ trình cho giai đoạn tiếp theo trong công việc của họ. Với khả năng đã được thiết lập để quan sát những thay đổi bên trong vật liệu biến đổi thần kinh, họ dự định thử nghiệm thêm bằng cách điều chỉnh cục bộ các đặc tính của vật liệu. Zimmers giải thích tiềm năng của phương pháp này: “Điều này có thể cho phép chúng tôi dẫn dòng điện qua các vùng cụ thể trong mẫu nơi hiệu ứng bộ nhớ ở mức tối đa, tăng cường đáng kể hoạt động khớp thần kinh của vật liệu thần kinh này”.

Hướng đi này mở ra những khả năng thú vị cho tương lai của điện toán mô phỏng thần kinh. Bằng cách tinh chỉnh khả năng kiểm soát và thao tác của các vật liệu này, các nhà nghiên cứu nhằm mục đích tạo ra các thiết bị biến đổi thần kinh hiệu quả và hiệu quả hơn. Những tiến bộ như vậy có thể dẫn đến phần cứng có khả năng mô phỏng chặt chẽ hơn sự phức tạp của bộ não con người, mở đường cho các hệ thống AI phức tạp hơn và tiết kiệm năng lượng hơn.