Λειτουργεί ταχύτερα από τους συμβατικούς επεξεργαστές πραγματοποιώντας πιο γρήγορα σύνθετες εργασίες.
Επιστήμονες στις ΗΠΑ δημιούργησαν έναν εντελώς νέο τύπο μικροτσίπ που χρησιμοποιεί μικροκύματα αντί για συμβατικά ψηφιακά κυκλώματα για να εκτελεί υπολογιστικές λειτουργίες. Ο επεξεργαστής αυτός που μπορεί να λειτουργεί ταχύτερα από τους συμβατικούς CPU είναι το πρώτο πλήρως λειτουργικό μικροκυματικό νευρωνικό δίκτυο (Microwave Neural Network, MNN) που χωράει σε ένα μόνο τσιπ σύμφωνα με μελέτη που δημοσιεύτηκε στην επιθεώρηση «Nature Electronics».
Οι εφαρμογές υψηλού εύρους ζώνης, όπως η απεικόνιση ραντάρ, απαιτούν επεξεργασία εξαιρετικά υψηλής ταχύτητας. Τα μικροκύματα, που λειτουργούν στο αναλογικό φάσμα, μπορούν να ανταποκριθούν σε αυτές τις ανάγκες γι’ αυτό και οι επιστήμονες ακολουθούν αυτή τη νέα προσέγγιση στην υπολογιστική τεχνολογία.
«Επειδή μπορεί να παραμορφώνεται με προγραμματιζόμενο τρόπο σε ευρύ φάσμα συχνοτήτων ακαριαία, μπορεί να προσαρμόζεται για πολλαπλές υπολογιστικές εργασίες. Παρακάμπτει πολλά στάδια επεξεργασίας σήματος που τα ψηφιακά συστήματα πρέπει κανονικά να εκτελούν» αναφέρει ο Μπαλ Γκόβιντ διδακτορικός φοιτητής στο Πανεπιστήμιο Cornell, επικεφαλής της μελέτης.
Πώς λειτουργεί το «μικροκυματικό μυαλό»
Το τσιπ χρησιμοποιεί αναλογικά κύματα μικροκυμάτων μέσα σε ένα νευρωνικό δίκτυο τεχνητής νοημοσύνης δημιουργώντας ένα «φάσμα χτένας» ένα μοτίβο ομοιόμορφα κατανεμημένων γραμμών συχνοτήτων που επιτρέπει ταχείες και ακριβείς μετρήσεις.
Τα νευρωνικά δίκτυα, που αποτελούν τη βάση του τσιπ, είναι σύνολα αλγορίθμων μηχανικής μάθησης εμπνευσμένων από τη δομή του ανθρώπινου εγκεφάλου. Το μικροκυματικό νευρωνικό τσιπ χρησιμοποιεί ηλεκτρομαγνητικούς κόμβους συνδεδεμένους μέσα σε ρυθμιζόμενους κυματοδηγούς ώστε να αναγνωρίζει πρότυπα σε δεδομένα και να προσαρμόζεται σε νέες πληροφορίες.
Το MNN επεξεργάζεται φασματικά στοιχεία (μεμονωμένες συχνότητες ενός σήματος), συλλαμβάνοντας χαρακτηριστικά δεδομένων σε ευρύ εύρος συχνοτήτων.
Επιδόσεις και ακρίβεια
Το τσιπ είναι ικανό να επιλύει απλές λογικές πράξεις αλλά και προηγμένους υπολογισμούς, όπως η αναγνώριση δυαδικών ακολουθιών ή προτύπων σε δεδομένα υψηλής ταχύτητας, με ακρίβεια 88%. Επειδή λειτουργεί στο αναλογικό φάσμα των μικροκυμάτων και χρησιμοποιεί πιθανοκρατική προσέγγιση, μπορεί να επεξεργάζεται δεδομένα σε ταχύτητες δεκάδων GHz — δηλαδή τουλάχιστον 20 δισεκατομμυρίων πράξεων το δευτερόλεπτο. Αυτό είναι πολύ ταχύτερο από τους οικιακούς επεξεργαστές, που λειτουργούν συνήθως στα 2,5–4 GHz.
«Ο Μπαλ απέρριψε πολλά από τα συμβατικά σχέδια κυκλωμάτων για να πετύχει αυτό το αποτέλεσμα. Αντί να προσπαθήσει να μιμηθεί πλήρως τη δομή των ψηφιακών νευρωνικών δικτύων, δημιούργησε κάτι που μοιάζει περισσότερο με έναν ελεγχόμενο “πολτό” συχνοτήτων που τελικά παράγει υπολογισμούς υψηλής απόδοσης» δήλωσε η Αλίσα Απσέλ διευθύντρια του Τμήματος Ηλεκτρολογίας και Μηχανικής Υπολογιστών στο Cornell.
Ο Γκόβιντ πρόσθεσε ότι στα παραδοσιακά ψηφιακά συστήματα απαιτούνται περισσότερα κυκλώματα, περισσότερη ενέργεια και διορθώσεις σφαλμάτων για να διατηρηθεί η ακρίβεια. Αντίθετα, η πιθανοκρατική προσέγγιση του MNN εξασφαλίζει υψηλή ακρίβεια χωρίς επιπλέον ενεργειακό ή υπολογιστικό κόστος.
Ενεργειακή απόδοση και εφαρμογές
Η κατανάλωση ενέργειας του τσιπ είναι εντυπωσιακά χαμηλή — λιγότερη από 200 milliwatt (0,2 watt), περίπου όσο η ισχύς εκπομπής ενός κινητού τηλεφώνου. Για σύγκριση, οι περισσότεροι συμβατικοί CPU χρειάζονται τουλάχιστον 65 watt.
Η χαμηλή αυτή κατανάλωση καθιστά το τσιπ κατάλληλο για φορητές συσκευές ή φορετή τεχνολογία, ενώ θα μπορούσε να αξιοποιηθεί σε edge computing — μειώνοντας την καθυστέρηση (latency) καθώς δε θα απαιτείται σύνδεση με κεντρικό διακομιστή. Επιπλέον, θα μπορούσε να χρησιμοποιηθεί για εκπαίδευση μοντέλων τεχνητής νοημοσύνης προσφέροντας ισχυρή υπολογιστική απόδοση με ελάχιστη ενέργεια.
Οι ερευνητές σκοπεύουν να απλοποιήσουν τη σχεδίαση, μειώνοντας τον αριθμό των κυματοδηγών και μικραίνοντας το τσιπ. Ένα πιο συμπαγές MNN θα μπορούσε να χρησιμοποιεί διασυνδεδεμένες «χτένες συχνοτήτων» δημιουργώντας πλουσιότερα φάσματα εξόδου και βελτιώνοντας την εκπαίδευση του νευρωνικού δικτύου.
