محققان MIT می گویند که یادگیری عمیق آنالوگ محاسبات هوش مصنوعی سریعتر با مصرف انرژی کمتر را ارائه می دهد
مقدار زمان، تلاش و پول مورد نیاز برای آموزش مدل‌های شبکه عصبی پیچیده‌تر در حال افزایش است، زیرا محققان مرزهای یادگیری ماشین را پیش می‌برند. یادگیری عمیق آنالوگ، شاخه جدیدی از هوش مصنوعی، نوید محاسبات سریعتر با مصرف انرژی کمتر را می دهد.
نتایج این مطالعه در مجله “Science” منتشر شد. مقاومت های قابل برنامه ریزی بلوک های اصلی در یادگیری عمیق آنالوگ هستند، همانطور که ترانزیستورها بلوک های سازنده پردازنده های دیجیتال هستند. 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 انجام 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 ساخته دست بشر را که قبلاً توسعه داده بودند، افزایش دهند. آنها از یک ماده معدنی کاربردی در فرآیند تولید استفاده کردند که به دستگاه‌هایشان اجازه می‌دهد 1 میلیون برابر سریعتر از نسخه‌های قبلی کار کنند، که همچنین حدود 1 میلیون برابر سریعتر از سیناپس‌های مغز انسان است.
علاوه بر این، این ماده معدنی باعث می شود که مقاومت در مصرف انرژی بسیار کارآمد باشد. برخلاف مواد مورد استفاده در نسخه قبلی دستگاه خود، مواد جدید با تکنیک های ساخت سیلیکون سازگار است. این تغییر ساخت دستگاه‌هایی در مقیاس نانومتر را امکان‌پذیر کرد و می‌توانست راه را برای ادغام در سخت‌افزار کامپیوتر تجاری برای کاربردهای یادگیری عمیق هموار کند.
عیسی آ. دل آلامو، نویسنده ارشد دانر گفت: با این بینش کلیدی و تکنیک های بسیار قدرتمند نانوساخت ما در MIT.nano، ما توانستیم این قطعات را جمع آوری کنیم و نشان دهیم که این دستگاه ها بسیار سریع هستند و با ولتاژهای معقول کار می کنند. استاد گروه 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.»
“مکانیسم کار 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 حرکت این یون را با استفاده از یک ماده قوی تسریع کنیم. بیلگه یلدیز، نویسنده ارشد، پروفسور برین ام. کر در گروه علوم و مهندسی هسته ای و علوم و مهندسی مواد، توضیح می دهد که میدان الکتریکی و این دستگاه های یونی را به حالت نانوثانیه ای هدایت می کند.
ژو لی، نویسنده ارشد، استاد علوم و مهندسی هسته‌ای در Battelle Energy Alliance می‌گوید: «پتانسیل عمل در سلول‌های بیولوژیکی در مقیاس زمانی میلی‌ثانیه افزایش و کاهش می‌یابد، زیرا اختلاف ولتاژ حدود ۰.۱ ولت توسط پایداری آب محدود می‌شود. استاد علوم و مهندسی مواد، “در اینجا ما حداکثر 10 ولت را به یک فیلم شیشه ای جامد با ضخامت نانومقیاس ویژه اعمال می کنیم که پروتون ها را بدون آسیب دائمی به آن هدایت می کند. و هر چه میدان قوی‌تر باشد، یون سریعتر حرکت می‌کند.»
این مقاومت‌های قابل برنامه‌ریزی، سرعت آموزش شبکه عصبی را تا حد زیادی افزایش می‌دهند، در حالی که هزینه و انرژی مورد نیاز برای انجام آن آموزش را به‌طور چشمگیری کاهش می‌دهند. این می‌تواند به دانشمندان کمک کند تا مدل‌های یادگیری عمیق را بسیار سریعتر توسعه دهند، که سپس می‌تواند در برنامه‌هایی مانند ماشین‌های خودران، تشخیص تقلب یا تجزیه و تحلیل تصویر پزشکی اعمال شود.
هنگامی که یک پردازنده آنالوگ دارید، دیگر شبکه‌هایی را آموزش نمی‌دهید که دیگران روی آن کار می‌کنند. شما شبکه‌هایی با پیچیدگی بی‌سابقه را آموزش می‌دهید که هیچ کس دیگری نمی‌تواند از عهده آن برآید، و بنابراین به شدت از همه آنها بهتر عمل می‌کنید. به عبارت دیگر، این ماشین سریعتر نیست، بلکه یک سفینه فضایی است.»