یک تراشه جدید یادگیری ماشینی بسیار کارآمد، مصرف انرژی برای هوش مصنوعی را تا 99 درصد کاهش میدهد
استفاده از هوش مصنوعی هیجانانگیز است، اما مشکلی که فعلا با آن داریم این است که تراشههای آن که معمولا به صورت ابری محاسبات را انجام میدهند هم باید بسیار توانمند باشند و هم اینکه انرژی زیادی مصرف میکنند.
اما یک میکروترانزیستور جدید که 100 برابر کارآمدتر از فناوری فعلی است، نوید ارائه سطوح جدیدی از هوشمندی را به گوشیهای موبایل و گجتهای پوشیدنی میدهد.
محققان دانشگاه نورث وسترن در مقالهای که در مجله Nature Electronics منتشر شده ، دستگاه نانو الکترونیکی جدید خود را معرفی کردهاند. این دستگاه برای تجزیه و تحلیل مقادیر زیادی از دادهها و برچسبگذاری بیتهای مهم طراحی شده که در واقع ستون فقرات بسیاری از سیستمهای یادگیری ماشین است.
مارک سی هرسام، محقق ارشد این پژوهش میگوید: «امروزه، بیشتر حسگرها دادهها را جمعآوری میکنند و سپس آنها را به فضای ابری ارسال میکنند، جایی که تجزیه و تحلیل روی سرورهای تشنه به انرژی انجام میشود و سپس نتایج به کاربر ارسال میشود. این رویکرد فوقالعاده گران است، انرژی قابل توجهی مصرف میکند و تأخیر زمانی هم دارد. دستگاه ما آنقدر در مصرف انرژی کارآمد است که میتوان آن را مستقیماً در وسایل الکترونیکی پوشیدنی برای شناسایی و پردازش دادهها به صورت بیدرنگ مستقر کرد و برای مثال مداخله سریعتری را برای موارد اضطراری بهداشتی ممکن میکند.»
ترانزیستورهای معمول از سیلیکون ساخته شوند، اما این ترانزیستورهای جدید از ورقههای دو بعدی دی سولفید مولیبدن و نانولولههای کربنی یک بعدی ساخته شدهاند. این معماری متفاوت به آنها اجازه میدهد تا سریعاً تنظیم و پیکربندی شوند، بنابراین میتوان از آنها برای چندین مرحله در زنجیره پردازش داده استفاده کرد.
هرسام توضیح میدهد: «ادغام دو ماده متفاوت در یک دستگاه به ما این امکان را میدهد که به جریان را با ولتاژهای مورد نظرمان تعدیل کنیم و امکان پیکربندی مجدد دینامیکی را فراهم کنیم. داشتن درجه بالایی از تنظیمپذیری در یک دستگاه واحد به ما امکان میدهد الگوریتمهای طبقهبندی پیچیدهای را با مصرف انرژی کم انجام دهیم.»
در آزمایش، این «ترانزیستورهای ناهمگون با هسته مختلط» برای تجزیه و تحلیل مجموعه دادههای نوار قلب ECG د و برچسبگذاری شش نوع مختلف ضربان قلب آموزش دیدند: ضربان طبیعی، ضربان زودرس دهلیزی، انقباض زودرس بطن، ضربان دستگاه پیسمیکر، ضربان بلوک شاخهای چپ و شاخهای راست. بلوک قلبی کامل
در بین 10000 نمونه ECG، محققان توانستند ضربان قلب غیرطبیعی را با دقت 95 درصد به درستی با استفاده از دو مورد از این میکرو ترانزیستورها طبقهبندی کنند، در حالی که در صورت استفاده از تراشههای عادی به بیش از 100 ترانزیستور سنتی نیاز بود. از سوی دیگر مصرف انرژی یک درصد روش سنتی شد.
این چه مفهومی دارد؟
هنگامی که این فناوری به تولید انبوه برسد، دستگاههای گوشی موبایل کوچک، سبک وزن، هوش لازم برای اجرای یک هوش مصنوعی و یادگیری ماشینی را خواهند داشت. پس نتایج را سریعتر از زمانی که مجبور هستیم تکههایی از دادهها را برای تجزیه و تحلیل به فضای ابری ارسال کنیم به ما میدهند. در ضمن دادههای شخصی که از شما جمعآوری میکنند، محلی، خصوصی و امن میمانند.
فعلا مشخص نیست که این نوع پردازش و پردازنده فقط به یاری دستگاه پردازنده کوچک میآید یا میتواند در فضاهای ابری و وظایفی مانند بررسی دادههای ویدئویی هم استفاده شود.
با شتابی که شرکتها در سراسر جهان برای آموزش مدلهای زبانی بسیار بزرگ و هوش مصنوعی چندوجهی دارند، استفاده از انرژی و انتشار گازهای گلخانهای مرتبط با آن به شدت در حال افزایش است. حتی در سال 2021، حدود 10 تا 15 درصد از کل بودجه انرژی گوگل صرف هوش مصنوعی میشد و میتوانید شرطی را تصور کنید که این درصد رشدبیشتر هم بشود.
اما شرکتی که تراشههایی تولید میکند که بتواند با عملکرد کارتهای هوش مصنوعی برتر nVidia برابری کند، در حالی که از ۱٪ انرژی استفاده میکند، ممکن است جهشی برای ما ایجاد کند. اما فعلا در بیانیه مطبوعاتی فقط صحبت از پردازش در سطح موبایلها شده.
منبع : مجله Nature Electronics و دانشگاه نورث وسترن
مطالب مرتبط
