آماج – مهندسانی که بر روی «یادگیری عمیق آنالوگ» کار می کنند راهی برای حرکت پروتون ها از طریق جامدات با سرعتی بی سابقه پیدا کرده اند.
محققان بلوک های سازنده سیستم های یادگیری عمیق آنالوگ – ساخته اند که می توانند داده ها را 1 میلیون برابر سریعتر از سیناپس های مغز انسان پردازش کنند. این مقاومت‌های فوق سریع و کم انرژی می‌توانند سیستم‌های یادگیری عمیق آنالوگ را فعال کنند که می‌توانند شبکه‌های عصبی جدید و قدرتمندتر را به سرعت آموزش دهند، که سپس می‌توانند برای کاربردهای جدید در زمینه‌هایی مانند خودروهای خودران، تشخیص تقلب و مراقبت‌های بهداشتی مورد استفاده قرار گیرند.
بیش تر بخوانید:
از آنجایی که دانشمندان در حال عبور از مرزهای یادگیری ماشینی هستند، مقدار زمان، انرژی و پول مورد نیاز برای آموزش مدل‌های پیچیده‌تر شبکه عصبی به شدت افزایش می‌یابد.
حوزه جدیدی از هوش مصنوعی به نام یادگیری عمیق آنالوگ نوید محاسبات سریعتر با کسری از مصرف انرژی را می‌دهد.
مقاومت های قابل برنامه ریزی، بلوک های اصلی در یادگیری عمیق آنالوگ هستند. درست مانند ترانزیستورها عناصر اصلی پردازنده های دیجیتال. با تکرار آرایه‌هایی از مقاومت‌های قابل برنامه‌ریزی در لایه‌های پیچیده، محققان می‌توانند شبکه‌ای از «نورون‌ها» و «سیناپس» مصنوعی آنالوگ ایجاد کنند که محاسبات را درست مانند یک شبکه عصبی دیجیتال انجام می‌دهند.
سپس می توان این شبکه را برای دستیابی به وظایف پیچیده هوش مصنوعی مانند تشخیص تصویر و پردازش زبان طبیعی آموزش داد.
یک تیم چند رشته‌ای از محققان MIT تصمیم گرفتند تا محدودیت‌های سرعت نوعی سیناپس آنالوگ ساخت بشر را که قبلاً توسعه داده بودند، افزایش دهند. آنها از یک ماده معدنی عملی در فرآیند ساخت استفاده کردند که دستگاه هایشان را قادر می سازد 1 میلیون برابر سریعتر از نسخه های قبلی کار کنند، و همچنین حدود 1 میلیون برابر سریعتر از سیناپس های مغز انسان است.
علاوه بر این، این ماده معدنی باعث می شود که مقاومت بسیار کارآمد در انرژی باشد. برخلاف مواد مورد استفاده در نسخه قبلی دستگاه خود، مواد جدید با تکنیک های ساخت سیلیکون سازگار است. این تغییر امکان ساخت دستگاه‌هایی در مقیاس نانومتری را فراهم کرده است و می‌تواند راه را برای ادغام در سخت‌افزار محاسباتی تجاری برای کاربردهای یادگیری عمیق هموار کند.
جسوس آ، نویسنده ارشد این مقاله می‌گوید: «با این بینش کلیدی و تکنیک‌های بسیار قدرتمند نانوساخت که در MIT.nano داریم، ما توانستیم این قطعات را کنار هم قرار دهیم و نشان دهیم که این دستگاه‌ها ذاتاً بسیار سریع هستند و با ولتاژهای معقول کار می‌کنند.
دل آلامو، پروفسور Donner در بخش مهندسی برق و علوم کامپیوتر MIT (EECS). این کار واقعاً این دستگاه‌ها را در نقطه‌ای قرار داده است که اکنون برای کاربردهای آینده بسیار امیدوارکننده به نظر می‌رسند.»
مکانیزم کار این دستگاه، وارد کردن الکتروشیمیایی کوچکترین یون، پروتون، به یک اکسید عایق برای تعدیل رسانایی الکترونیکی آن است. از آنجایی که ما با دستگاه های بسیار نازک کار می کنیم، می توانیم با استفاده از یک الکتریکی قوی حرکت این یون را تسریع کنیم.
جو لی، نویسنده ارشد، پروفسور علوم و مهندسی هسته ای و مهندسی هسته ای اتحاد انرژی Battelle می گوید: «پتانسیل عمل در سلول های بیولوژیکی با مقیاس زمانی میلی ثانیه افزایش و کاهش می یابد، زیرا اختلاف ولتاژ حدود 0.1 ولت توسط پایداری آب محدود می شود.
استاد علوم و مهندسی مواد، “در اینجا ما حداکثر 10 ولت را روی یک لایه شیشه جامد ویژه با ضخامت نانو اعمال می کنیم که پروتون ها را بدون آسیب دائمی به آن هدایت می کند. و هر چه میدان قوی تر باشد، دستگاه های یونی سریعتر هستند.”
این مقاومت‌های قابل برنامه‌ریزی، سرعت آموزش شبکه عصبی را به شدت افزایش می‌دهند، در حالی که هزینه و انرژی برای اجرای آن آموزش را به شدت کاهش می‌دهند. این می‌تواند به دانشمندان کمک کند تا مدل‌های یادگیری عمیق را با سرعت بیشتری توسعه دهند، که سپس می‌توانند در مواردی مانند اتومبیل‌های خودران، تشخیص تقلب یا تجزیه و تحلیل تصویر پزشکی استفاده شوند.
وقتی یک پردازنده آنالوگ دارید، دیگر شبکه‌هایی را آموزش نمی‌دهید که دیگران روی آنها کار می‌کنند. شما شبکه‌هایی با پیچیدگی‌های بی‌سابقه‌ای را آموزش می‌دهید که هیچ کس توانایی پرداخت آن را ندارد، و بنابراین عملکرد بسیار بهتری از همه آنها خواهید داشت.
به عبارت دیگر، نویسنده ارشد و فوق دکترای MIT، اضافه می‌کند که ماشین سریع‌تری نیست، این یک فضاپیما است.
نویسندگان مشترک عبارتند از: فرانسیس ام. راس، پروفسور الن سووالو ریچاردز در گروه علوم و مهندسی مواد. فوق دکترای نیکلاس ایموند و باومینگ وانگ؛ و دیفی ژانگ، دانشجوی کارشناسی ارشد EECS. این تحقیق امروز در Science منتشر شده است.
