ترانزیستور سیناپتیک عملکرد مغز انسان را منعکس می کند
ترانزیستور سیناپتیک عملکرد مغز انسان را منعکس می کند -محققان یک ترانزیستور سیناپسی پیشگامانه با الهام از مغز انسان ساختند.
این دستگاه می تواند به طور همزمان اطلاعات را پردازش و ذخیره کند و از ظرفیت مغز برای تفکر سطح بالاتر تقلید کند.
برخلاف دستگاه‌های محاسباتی مشابه مغز قبلی، این ترانزیستور در دمای اتاق پایدار می‌ماند، کارآمد عمل می‌کند، کمترین انرژی را مصرف می‌کند، و اطلاعات ذخیره‌شده را حتی در صورت خاموش شدن، حفظ می‌کند و برای کاربردهای دنیای واقعی مناسب است.
این مطالعه یک گام بزرگ رو به جلو در ایجاد سیستم های هوش مصنوعی با بهره وری انرژی بیشتر و عملکردهای شناختی پیشرفته ارائه می دهد.
نکات کلیدی:
- ترانزیستور سیناپسی دو ماده نازک اتمی، گرافن دولایه و نیترید بور شش ضلعی را در یک الگوی موآر برای دستیابی به عملکرد نورومورفیک ترکیب می کند.
- الگوها را می شناسد و یادگیری تداعی را نشان می دهد، شکلی از شناخت سطح بالاتر، حتی با ورودی ناقص.
- این فناوری نشان دهنده تغییر قابل توجهی از محاسبات سنتی مبتنی بر ترانزیستور است، با هدف بهبود کارایی انرژی و قابلیت‌های پردازش برای وظایف هوش مصنوعی و یادگیری ماشین.
منبع: دانشگاه نورث وسترن
محققان با الهام گرفتن از مغز انسان، ترانزیستور سیناپسی جدیدی ساخته اند که قادر به تفکر در سطح بالاتر است.
این دستگاه که توسط محققان دانشگاه نورث وسترن، کالج بوستون و موسسه فناوری ماساچوست (MIT) طراحی شده است، به طور همزمان اطلاعات را درست مانند مغز انسان پردازش و ذخیره می کند.
در آزمایش‌های جدید، محققان نشان دادند که ترانزیستور فراتر از وظایف ساده‌ی یادگیری ماشینی است و داده‌ها را دسته‌بندی می‌کند و قادر به انجام یادگیری تداعی است.
اگرچه مطالعات قبلی از استراتژی‌های مشابهی برای توسعه دستگاه‌های محاسباتی شبیه مغز استفاده کرده‌اند، این ترانزیستورها نمی‌توانند خارج از دمای برودتی عمل کنند.
در مقابل، دستگاه جدید در دمای اتاق پایدار است.
همچنین با سرعت‌های بالا کار می‌کند، انرژی بسیار کمی مصرف می‌کند و اطلاعات ذخیره‌شده را حتی در صورت قطع برق حفظ می‌کند، که آن را برای کاربردهای دنیای واقعی ایده‌آل می‌کند.
این مطالعه روز چهارشنبه (20 دسامبر) در مجله Nature منتشر شد .
مارک سی. هرسام از Northwestern که یکی از سرپرستان این تحقیق بود، گفت: «مغز ساختاری اساساً متفاوت از یک رایانه دیجیتال دارد.
در یک کامپیوتر دیجیتال، داده ها بین ریزپردازنده و حافظه به عقب و جلو حرکت می کنند، که انرژی زیادی مصرف می کند و هنگام تلاش برای انجام چندین کار به طور همزمان، گلوگاه ایجاد می کند.
از سوی دیگر، در مغز، حافظه و پردازش اطلاعات در کنار هم قرار گرفته‌اند و کاملاً یکپارچه شده‌اند و در نتیجه بازده انرژی بالاتری را به همراه دارند.
ترانزیستور سیناپسی ما به طور مشابه به عملکرد همزمان حافظه و پردازش اطلاعات دست می یابد تا به طور صادقانه تری از مغز تقلید کند.
هرسام استاد والتر پی مورفی در علم و مهندسی مواد در دانشکده مهندسی مک کورمیک Northwestern است.
وی همچنین رئیس گروه علوم و مهندسی مواد، مدیر مرکز علوم و مهندسی تحقیقات مواد و عضو موسسه بین‌المللی نانوتکنولوژی است.
هرسام با Qiong Ma از کالج بوستون و Pablo Jarillo-Herrero از MIT این تحقیق را رهبری کردند.
پیشرفت های اخیر در هوش مصنوعی (AI) محققان را برانگیخته است تا کامپیوترهایی را توسعه دهند که بیشتر شبیه مغز انسان عمل می کنند.
سیستم‌های محاسباتی دیجیتالی مرسوم دارای واحدهای پردازش و ذخیره‌سازی مجزا هستند که باعث می‌شود کارهای فشرده داده‌ها مقادیر زیادی انرژی را ببلعند.
با توجه به اینکه دستگاه‌های هوشمند به طور مداوم مقادیر زیادی از داده‌ها را جمع‌آوری می‌کنند، محققان در تلاش هستند تا راه‌های جدیدی را برای پردازش همه آنها بدون مصرف انرژی فزاینده کشف کنند.
در حال حاضر، مقاومت حافظه یا «ممریستور» پیشرفته‌ترین فناوری است که می‌تواند پردازش ترکیبی و عملکرد حافظه را انجام دهد.
اما ممریستورها هنوز از تعویض پرهزینه انرژی رنج می برند.
هرسام گفت: “برای چندین دهه، الگوی الکترونیکی ساختن همه چیز از ترانزیستورها و استفاده از همان معماری سیلیکونی بوده است.”
پیشرفت قابل توجهی با بسته بندی ترانزیستورهای بیشتر و بیشتر در مدارهای مجتمع حاصل شده است.
شما نمی توانید موفقیت این استراتژی را انکار کنید، اما به قیمت مصرف انرژی بالا است، به خصوص در عصر کنونی داده های بزرگ که محاسبات دیجیتال در مسیری قرار دارد که شبکه را تحت الشعاع قرار دهد.
ما باید سخت افزار محاسباتی را بازنگری کنیم، به ویژه برای وظایف هوش مصنوعی و یادگیری ماشینی.»
هرسام و تیمش برای بازنگری در این پارادایم، پیشرفت‌های جدیدی را در فیزیک الگوهای موآر بررسی کردند، نوعی طراحی هندسی که زمانی ایجاد می‌شود که دو الگو روی هم قرار می‌گیرند.
هنگامی که مواد دو بعدی روی هم چیده می شوند، ویژگی های جدیدی ظاهر می شوند که به تنهایی در یک لایه وجود ندارند.
و هنگامی که این لایه‌ها برای تشکیل یک الگوی موآر پیچ خورده می‌شوند، قابلیت تنظیم بی‌سابقه خواص الکترونیکی ممکن می‌شود.
برای دستگاه جدید، محققان دو نوع مختلف از مواد نازک اتمی را ترکیب کردند: گرافن دولایه و نیترید بور شش ضلعی.
وقتی مواد روی هم چیده شدند و به طور هدفمند پیچ خوردند، یک الگوی موآر تشکیل دادند.
با چرخش یک لایه نسبت به لایه دیگر، محققان می‌توانند به خواص الکترونیکی متفاوتی در هر لایه گرافن دست یابند، حتی اگر آنها فقط با ابعاد اتمی از هم جدا شوند.
با انتخاب درست پیچش، محققان فیزیک مویره را برای عملکرد نورومورفیک در دمای اتاق به کار گرفتند.
هرسام گفت: “با پیچش به عنوان یک پارامتر طراحی جدید، تعداد جایگشت ها بسیار زیاد است.”
گرافن و نیترید بور شش ضلعی از نظر ساختاری بسیار شبیه هستند، اما به اندازه ای متفاوت هستند که اثرات موآری فوق العاده قوی داشته باشید.
برای آزمایش ترانزیستور، هرسام و تیمش آن را برای تشخیص الگوهای مشابه – اما نه یکسان – آموزش دادند.
درست در اوایل این ماه، هرسام یک دستگاه نانوالکترونیک جدیدی را معرفی کرد که قادر به تجزیه و تحلیل و دسته‌بندی داده‌ها به روشی کم‌مصرف انرژی است، اما ترانزیستور سیناپسی جدید او یک جهش به یادگیری ماشین و هوش مصنوعی می‌دهد.
هرسام گفت: «اگر هدف از هوش مصنوعی تقلید افکار انسان باشد، یکی از پایین‌ترین وظایف طبقه‌بندی داده‌ها است که صرفاً در سطل‌ها مرتب‌سازی می‌شود.
“هدف ما پیشرفت فناوری هوش مصنوعی در جهت تفکر سطح بالاتر است. شرایط دنیای واقعی اغلب پیچیده‌تر از الگوریتم‌های هوش مصنوعی فعلی هستند، بنابراین ما دستگاه‌های جدید خود را در شرایط پیچیده‌تر آزمایش کردیم تا قابلیت‌های پیشرفته‌شان را تأیید کنیم.»
ابتدا محققان یک الگوی دستگاه را نشان دادند: 000 (سه صفر پشت سر هم). سپس، آنها از هوش مصنوعی خواستند تا الگوهای مشابهی مانند 111 یا 101 را شناسایی کند.
هرسام توضیح داد: «اگر ما آن را برای تشخیص 000 آموزش دهیم و سپس 111 و 101 به آن بدهیم، می‌داند که 111 بیشتر شبیه به 000 است تا 101. 000 و 111 دقیقاً یکسان نیستند، اما هر دو سه رقمی پشت سر هم هستند.
تشخیص این که شباهت شکل سطح بالاتری از شناخت است که به عنوان یادگیری تداعی شناخته می شود.
در آزمایشات، ترانزیستور سیناپسی جدید با موفقیت الگوهای مشابه را تشخیص داد و حافظه تداعی خود را نشان داد.
حتی زمانی که محققان توپ های منحنی را پرتاب کردند – مانند دادن الگوهای ناقص به آن – همچنان با موفقیت یادگیری تداعی را نشان داد.
هرسام گفت: “هوش مصنوعی فعلی را می توان به راحتی گیج کرد، که می تواند در زمینه های خاص مشکلات بزرگی ایجاد کند.”
تصور کنید اگر از وسیله نقلیه خودران استفاده می کنید و شرایط آب و هوایی بدتر می شود.
ممکن است وسیله نقلیه نتواند داده های پیچیده تر حسگر را به خوبی یک راننده انسانی تفسیر کند.
اما حتی زمانی که ورودی ناقص ترانزیستور خود را دادیم، باز هم می‌توانست پاسخ صحیح را تشخیص دهد.
بودجه: این مطالعه، “ترانزیستور سیناپسی Moiré با عملکرد نورومورفیک دمای اتاق”، در درجه اول توسط بنیاد ملی علوم پشتیبانی شد.
ترانزیستور سیناپسی Moiré با عملکرد نورومورفیک دمای اتاق
مواد کوانتومی Moiré میزبان پدیده‌های الکترونیکی عجیب و غریب از طریق برهمکنش‌های کولن درونی پیشرفته در ساختارهای ناهم‌بعدی دوبعدی هستند.
هنگامی که با کنترل الکترواستاتیک فوق العاده بالا در مواد اتمی نازک ترکیب می شود، ساختارهای ناهمسان مویره این پتانسیل را دارند که دستگاه های الکترونیکی نسل بعدی را با عملکرد بی سابقه ای فعال کنند.
با این حال، علی‌رغم اکتشافات گسترده، پدیده‌های الکترونیکی موآر تا کنون به دماهای کم برودتی غیرعملی محدود شده‌اند و بنابراین مانع از کاربردهای واقعی مواد کوانتومی موآر شده‌اند.
در اینجا ما اجرای آزمایشی و عملکرد دمای اتاق یک ترانزیستور سیناپسی موآر کم توان (20 pW) را بر اساس ساختار ناهمسان گرافن دولایه / هگزاگونال نیترید بور بور گزارش می‌کنیم.
پتانسیل موآر نامتقارن باعث ایجاد حالت های ضامن دار الکترونیکی قوی می شود، که تزریق هیسترتیک و غیرفرار حامل های بار را که هدایت دستگاه را کنترل می کنند، ممکن می سازد.
دروازه نامتقارن در ساختارهای ناهمسان مویره دو دریایی، عملکردهای نورومورفیک بیورئالیستی متنوعی مانند پاسخ‌های سیناپسی قابل تنظیم مجدد، تمپوترون‌های مبتنی بر فضای زمانی و سازگاری ویژه ورودی Bienenstock-Cooper-Munro را درک می‌کند.
به این ترتیب، ترانزیستور سیناپسی moiré، طراحی‌های محاسباتی در حافظه و شتاب‌دهنده‌های سخت‌افزاری لبه‌ای را برای هوش مصنوعی و یادگیری ماشین امکان‌پذیر می‌سازد.
