Ερευνητές ανέπτυξαν μια νέα νανοηλεκτρονική συσκευή εμπνευσμένη από τον ανθρώπινο εγκέφαλο η οποία θα μπορούσε να μειώσει σημαντικά τις μεγάλες ενεργειακές απαιτήσεις των συστημάτων τεχνητής νοημοσύνης.
Η ερευνητική ομάδα με επικεφαλής επιστήμονες του Πανεπιστημίου του Κέιμπριτζ δημιούργησε μια τροποποιημένη μορφή οξειδίου του αφνίου που λειτουργεί ως ένας ιδιαίτερα σταθερός και χαμηλής κατανάλωσης αντιστάτης μνήμης (memristor) που είναι ηλεκτρονικό εξάρτημα δύο ακροδεκτών, το οποίο ρυθμίζει τη ροή του ρεύματος και «θυμάται» την ποσότητα φορτίου που πέρασε από αυτό, διατηρώντας την τελευταία τιμή αντίστασής του ακόμα και όταν σβήσει το ρεύμα. Το συγκεκριμένα memristor είναι ένα εξάρτημα σχεδιασμένο να μιμείται τον τρόπο με τον οποίο οι νευρώνες συνδέονται και επικοινωνούν αποδοτικά στον ανθρώπινο εγκέφαλο.
Η κατανάλωση ενέργειας και ο νέος ΑΙ κλάδος
Τα σημερινά συστήματα τεχνητής νοημοσύνης βασίζονται σε συμβατικής τεχνολογίας τσιπ που μετακινούν συνεχώς δεδομένα μεταξύ μνήμης και μονάδων επεξεργασίας. Αυτή η διαδικασία καταναλώνει μεγάλες ποσότητες ενέργειας, και η ζήτηση αυξάνεται καθώς η AI χρησιμοποιείται όλο και περισσότερο.
Η νευρομορφική υπολογιστική αποτελεί έναν καινοτόμο κλάδο της τεχνητής νοημοσύνης που μιμείται τη δομή και τη λειτουργία του ανθρώπινου εγκεφάλου. Χρησιμοποιεί εξειδικευμένα υλικά για να προσομοιώσει νευρώνες και συνάψεις, επιτυγχάνοντας εξαιρετικά παράλληλη επεξεργασία χαμηλή κατανάλωση ενέργειας και ταχύτατη μάθηση αποτελώντας το μέλλον για έξυπνα συστήματα. Συνδυάζοντας αποθήκευση και επεξεργασία δεδομένων στο ίδιο σημείο, θα μπορούσε να μειώσει την κατανάλωση ενέργειας έως και 70%, ενώ λειτουργεί με πολύ χαμηλή ισχύ. Παράλληλα τέτοια συστήματα μπορούν να προσαρμόζονται πιο εύκολα όπως μαθαίνει ο εγκέφαλος.
«Η κατανάλωση ενέργειας είναι μία από τις βασικές προκλήσεις στο σημερινό hardware της AI. Για να το αντιμετωπίσεις, χρειάζεσαι συσκευές με εξαιρετικά χαμηλή κατανάλωση ρεύματος, υψηλή σταθερότητα και δυνατότητα μετάβασης μεταξύ πολλών διαφορετικών καταστάσεων» αναφέρει ο Μπάμπακ Μπάκχιτ από το Τμήμα Επιστήμης Υλικών και Μεταλλουργίας του Πανεπιστημίου Κέιμπριτζ, πρώτος συγγραφέας του άρθρου που δημοσίευσε η ερευνητική ομάδα στην επιθεώρηση «Science Advances».
Πέρα από τους συμβατικούς memristors
Οι περισσότεροι memristors σήμερα λειτουργούν δημιουργώντας μικροσκοπικά αγώγιμα «νήματα» μέσα σε υλικά οξειδίων μετάλλων. Αυτά όμως συχνά συμπεριφέρονται απρόβλεπτα και απαιτούν υψηλές τάσεις, περιορίζοντας τη χρήση τους.
Οι ερευνητές ακολούθησαν διαφορετική προσέγγιση. Δημιούργησαν μια λεπτή μεμβράνη βασισμένη στο άφνιο που αλλάζει κατάσταση χωρίς τη χρήση νημάτων. Με την προσθήκη στροντίου και τιτανίου και μια διαδικασία ανάπτυξης δύο σταδίων, δημιούργησαν μικρές ηλεκτρονικές «πύλες» στο εσωτερικό του υλικού.
Αυτή η δομή επιτρέπει στη συσκευή να ρυθμίζει ομαλά την αντίστασή της αλλάζοντας το ενεργειακό φράγμα στη διεπιφάνεια αντί να δημιουργεί ή να καταστρέφει αγώγιμα νήματα. «Οι συσκευές με νήματα παρουσιάζουν τυχαία συμπεριφορά. Αντίθετα, οι δικές μας αλλάζουν κατάσταση στη διεπιφάνεια και εμφανίζουν εξαιρετική ομοιομορφία από κύκλο σε κύκλο» εξηγεί ο Μπάκχιτ.
Απόδοση και ικανότητες μάθησης
Οι νέες συσκευές πέτυχαν ρεύματα μετάβασης περίπου ένα εκατομμύριο φορές χαμηλότερα από ορισμένους συμβατικούς memristors. Παράλληλα έδειξαν εκατοντάδες σταθερά επίπεδα αγωγιμότητας κάτι κρίσιμο για αναλογική «in-memory» υπολογιστική.
Σε εργαστηριακές δοκιμές οι συσκευές άντεξαν δεκάδες χιλιάδες κύκλους λειτουργίας και διατήρησαν πληροφορίες για περίπου μία ημέρα. Επιπλέον μιμήθηκαν βασικές βιολογικές διαδικασίες μάθησης όπως η εξάρτηση της ισχύος σύνδεσης από τον χρονισμό των σημάτων μεταξύ νευρώνων. «Αυτές είναι οι ιδιότητες που χρειάζονται αν θέλουμε hardware που να μαθαίνει και να προσαρμόζεται» λέει ο Μπακχιτ.
Προκλήσεις και προοπτικές
Παρά την πρόοδο, υπάρχουν ακόμη εμπόδια. Η κατασκευή απαιτεί θερμοκρασίες περίπου 700 βαθμών Κελσίου υψηλότερες από τα πρότυπα της βιομηχανίας ημιαγωγών. «Αυτή είναι η βασική πρόκληση αυτή τη στιγμή. Εργαζόμαστε για να μειώσουμε τη θερμοκρασία ώστε να είναι συμβατή με τις βιομηχανικές διαδικασίες» λένε οι ερευνητές.
Παρόλα αυτά, η τεχνολογία έχει μεγάλες προοπτικές. Αν ενσωματωθεί σε τσιπ, θα μπορούσε να αποτελέσει σημαντικό βήμα προς πιο αποδοτικά και «έξυπνα» συστήματα AI. «Η επιτυχία ήρθε μετά από χρόνια αποτυχιών και πειραματισμών, με την καθοριστική πρόοδο να έρχεται όταν τροποποίησε τη διαδικασία κατασκευής. Δούλευα σχεδόν τρία χρόνια πάνω σε αυτό. Υπήρχαν πολλές αποτυχίες. Αλλά όταν είδαμε τα πρώτα καλά αποτελέσματα, καταλάβαμε ότι αν λύσουμε το θέμα της θερμοκρασίας, αυτή η τεχνολογία μπορεί να αλλάξει τα δεδομένα λόγω της πολύ χαμηλής κατανάλωσης και της πολλά υποσχόμενης απόδοσης» λέει ο Μπακχιτ.
