لوکیا پاپادوپولوس -29 ژوئیه 2022
همه می دانند که یادگیری ماشینی انرژی بر و بسیار پرهزینه است. اما اگر اینطور نبود چه؟ چه پیشرفت هایی که می توانستیم ایجاد کنیم!
طبق بیانیه مطبوعاتی این موسسه، یک تیم چند رشته‌ای از محققان MIT اکنون تصمیم گرفته‌اند تا محدودیت‌های سرعت نوعی سیناپس آنالوگ ساخته‌شده توسط انسان را که عنصر اصلی در یادگیری عمیق آنالوگ است، افزایش دهند. هدف اینست که یادگیری ماشینی سریعتر، کارآمدتر و ارزان‌تر شود.
مواد تازه توسعه‌یافته با تکنیک‌های ساخت سیلیکون سازگار است و می‌تواند راه را برای ادغام در سخت‌افزار محاسباتی تجاری برای کاربردهای یادگیری عمیق هموار کند.
ژسوس آ، دل آلامو، پروفسور در بخش مهندسی برق و علوم کامپیوتر MIT (EECS). نویسنده ارشد این مقاله گفت: «با این بینش کلیدی و تکنیک‌های بسیار قدرتمند نانوساخت ما در MIT.nano، ما توانستیم این قطعات را کنار هم قرار دهیم و نشان دهیم که این دستگاه‌ها ذاتاً بسیار سریع هستند و با ولتاژهای معقول کار می‌کنند. این کار واقعاً این دستگاه‌ها را در نقطه‌ای قرار داده است که اکنون برای کاربردهای آینده بسیار امیدوارکننده به نظر می‌رسند.»
محققان همچنین توضیح دادند که چگونه توانستند سرعت یون‌های موجود در دستگاه را افزایش دهند.
مکانیسم کار این دستگاه، قرار دادن الکتروشیمیایی کوچکترین یون، پروتون، در یک اکسید عایق برای تعدیل هدایت الکترونیکی آن است. نویسنده ارشد، پروفسور برین ام. کر در این زمینه توضیح داد: از آنجایی که ما با دستگاه‌های بسیار نازک کار می‌کنیم، می‌توانیم با استفاده از یک میدان الکتریکی قوی، حرکت این یون را تسریع کنیم و این دستگاه‌های یونی را به رژیم عملیات نانوثانیه سوق دهیم.
جو لی، نویسنده ارشد، پروفسور علوم و مهندسی هسته ای و پروفسور اتحادیه انرژی هسته ای، گفت: «پتانسیل عمل در سلول های بیولوژیکی با مقیاس زمانی میلی ثانیه افزایش و کاهش می یابد، زیرا اختلاف ولتاژ حدود 0.1 ولت توسط پایداری آب محدود می شود. در اینجا ما حداکثر 10 ولت را روی یک لایه شیشه ای جامد با ضخامت نانو اعمال می کنیم که پروتون ها را بدون آسیب دائمی هدایت می کند. و هر چه میدان قوی‌تر باشد، دستگاه‌های یونی سریعتر هستند.»
نتیجه مقاومت های قابل برنامه ریزی است که سرعت آموزش شبکه عصبی را به میزان قابل توجهی افزایش می دهد و در عین حال هزینه و انرژی برای انجام آن فرآیند را به شدت کاهش می دهد.
هنگامی که یک پردازنده آنالوگ دارید، دیگر شبکه‌هایی را آموزش نمی‌دهید که دیگران روی آن کار می‌کنند. شما شبکه‌هایی با پیچیدگی‌های بی‌سابقه‌ای را آموزش می‌دهید که هیچ‌کس دیگر نمی‌تواند از عهده آن برآید، و بنابراین عملکرد بسیار بهتری از همه آنها خواهید داشت. به عبارت دیگر، این یک ماشین سریعتر نیست، این یک فضاپیما است.
کاربردهای دستگاه های جدید بسیار زیاد است، از جمله اتومبیل های خودران، تشخیص تقلب و تجزیه و تحلیل تصاویر پزشکی.
