رونمایی از تراشه ممریستور چینی برای تقویت هوش مصنوعی

به گزارش خبرگزاری صدا و سیما، به گفته محققان، اگرچه این محصول نیمه هادی هنوز در محیط آزمایشگاه است، اما می‌تواند امکان توسعه هوش مصنوعی را فراهم کند که قادر به یادگیری بیشتر شبیه انسان است، و پیامد‌هایی بر نحوه عملکرد دستگاه‌های هوشمند و رانندگی خودکار خواهد داشت.

یادگیری برای دستگاه‌های هوشمند اهمیت زیادی دارد خصوصا دستگاه‌هایی که داده‌ها را به صورت داخلی با فناوری‌هایی مانند هوش مصنوعی پردازش می‌کنند.

به گفته محققان، تراشه جدید ممریستور چین گام مهمی در توسعه فناوری پیشرفت نیمه هادی‌ها است.

فناوری محاسباتی مبتنی بر ممریستور به دلیل توانایی آن برای غلبه بر معماری محاسباتی مرسوم توجه زیادی را به خود جلب کرده است و می‌تواند محدودیت محاسباتی تعیین شده توسط جداسازی حافظه و پردازش را از بین برد.

مقاومت عنصری از مدار است که می‌تواند جریان انرژی را با ایجاد مقاومت در برابر الکترون‌هایی که از آن عبور می‌کنند، محدود کند. ممریستور ، یک انقباض برای مقاومت حافظه ، می‌تواند آخرین مقدار جریانی را که هنگام روشن شدن از آن عبور کرده را به خاطر بسپارد، به این معنی که مقاومت آینده می‌تواند به تاریخچه قبلی بستگی داشته باشد.

به این ترتیب، قادر به یادگیری مبتنی بر بهبود، یا حفظ دانش از پیش اکتسابی زمانی که چیز جدیدی آموخته می‌شود، می‌باشد. این با یادگیری انتقال، که بر حرکت به مجموعه جدیدی از داده‌ها تمرکز دارد و می‌تواند دقت داده‌های قبلی را قربانی کند، متفاوت است.

برای آموزش شبکه‌های عصبی مصنوعی، که تقلیدی از نحوه انتقال نورون‌های انسانی به داده‌ها در مغز هستند، سخت‌افزار‌های معمولی به انرژی و زمان زیادی نیاز دارند تا داده‌ها را بین واحد‌های محاسباتی و حافظه جابجا کنند.

محاسبات مبتنی بر ممریستور قادر است انرژی مورد نیاز برای یک کار را با یادگیری روی تراشه و بدون منبع حافظه خارجی کاهش دهد.

چندین مطالعه روی ممریستور‌ها انجام شده، اما آن‌ها همچنان از پردازنده‌های خارجی اضافی استفاده می‌کنند. محققان تراشه‌ای را تولید کردند که قادر به انجام یادگیری کامل روی تراشه بود و یک معماری یادگیری برای آن پیشنهاد کردند.

تراشه محاسباتی الهام گرفته از نورون مبتنی بر ممریستور می‌تواند توسعه دستگاه‌های هوش مصنوعی را که می‌توانند با کاربران جدید سازگار شوند، تسهیل کند.

با تحقیقات بیشتر در مورد معماری یادگیری، می‌توان یادگیری روی تراشه را فعال کرد که ۷۵ برابر بیشتر از ماشین‌های فعلی طراحی شده برای پردازش هوش مصنوعی کارآمدتر انرژی است.