29 مارس 2023 – توسط دانشگاه کالیفرنیای جنوبی -طراحی تراشه جدید برای ارائه بیشترین دقت در حافظه تا به امروز، هوش مصنوعی قدرتمند را در دستگاه های قابل حمل شما فعال می کند. اعتبار: جاشوا یانگ از USC و TetraMem
همه در مورد جدیدترین هوش مصنوعی و قدرت شبکه های عصبی صحبت می کنند، فراموش می کنند که نرم افزار توسط سخت افزاری که روی آن اجرا می شود محدود می شود. جاشوا یانگ، پروفسور مهندسی برق و کامپیوتر USC، می‌گوید، اما این سخت‌افزار است که به “گلوگاه” تبدیل شده است. اکنون، تحقیقات جدید یانگ با همکاران ممکن است آن را تغییر دهد. آنها بر این باورند که نوع جدیدی از تراشه با بهترین حافظه نسبت به هر تراشه تاکنون برای هوش مصنوعی لبه AI در دستگاه های قابل حمل توسعه داده اند.
تقریباً در 30 سال گذشته، در حالی که اندازه شبکه های عصبی مورد نیاز برای کاربردهای هوش مصنوعی و علوم داده هر 3.5 ماه دو برابر می شد، توانایی سخت افزاری مورد نیاز برای پردازش آنها تنها هر 3.5 سال دو برابر می شد. به گفته یانگ، سخت افزار یک مشکل بیشتر و شدیدتر را ایجاد می کند که تعداد کمی برای آن صبر می کنند.
دولت ها، صنعت و دانشگاه ها در تلاش هستند تا به این چالش سخت افزاری در سراسر جهان رسیدگی کنند. برخی به کار بر روی راه حل های سخت افزاری با تراشه های سیلیکونی ادامه می دهند، در حالی که برخی دیگر در حال آزمایش انواع جدیدی از مواد و دستگاه ها هستند. کار یانگ در وسط قرار می گیرد – تمرکز بر بهره برداری و ترکیب مزایای مواد جدید و فناوری سنتی سیلیکون که می تواند از هوش مصنوعی سنگین و محاسبات علم داده پشتیبانی کند.
مقاله جدید محققان در Nature بر درک فیزیک بنیادی تمرکز دارد که منجر به افزایش شدید ظرفیت حافظه مورد نیاز برای سخت افزار هوش مصنوعی می شود. تیم به رهبری یانگ، با محققان USC از جمله گروه هان وانگ، MIT و دانشگاه ماساچوست، پروتکلی را برای دستگاه‌ها برای کاهش “نویز” ایجاد کردند و عملی بودن استفاده از این پروتکل در تراشه‌های یکپارچه را نشان دادند. این نمایش در TetraMem، یک شرکت استارت آپی که توسط یانگ و نویسندگان همکارش Miao Hu، Qiangfei Xia و Glenn Ge تأسیس شد، برای تجاری سازی فناوری شتاب هوش مصنوعی انجام شد.
به گفته یانگ، این تراشه حافظه جدید دارای بالاترین تراکم اطلاعات در هر دستگاه (11 بیت) در میان انواع فناوری های حافظه شناخته شده تاکنون است. چنین دستگاه های کوچک اما قدرتمندی می توانند نقش مهمی در آوردن قدرت باورنکردنی به دستگاه های موجود در جیب ما داشته باشند. تراشه ها نه تنها برای حافظه بلکه برای پردازنده نیز هستند. میلیون‌ها عدد از آنها در یک تراشه کوچک که به موازات انجام سریع وظایف هوش مصنوعی شما کار می‌کنند، تنها می‌توانند به یک باتری کوچک برای تغذیه آن نیاز داشته باشند.
تراشه‌هایی که یانگ و همکارانش در حال ساخت هستند، سیلیکون را با ممریستورهای اکسید فلزی ترکیب می‌کنند تا تراشه‌های قدرتمند اما کم انرژی را بسازند. این تکنیک بر استفاده از موقعیت اتم ها برای نمایش اطلاعات به جای تعداد الکترون ها (که تکنیک فعلی درگیر در محاسبات روی تراشه ها است) تمرکز دارد. موقعیت‌های اتم‌ها روشی فشرده و پایدار برای ذخیره اطلاعات بیشتر به صورت آنالوگ، به‌جای حالت دیجیتال ارائه می‌دهند. علاوه بر این، اطلاعات را می توان به جای ارسال به یکی از معدود “پردازنده های” اختصاصی، در جایی که ذخیره می شود، پردازش کرد و به اصطلاح “گلوگاه فون نویمان” موجود در سیستم های محاسباتی فعلی را حذف کرد. یانگ می‌گوید به این ترتیب، محاسبات برای هوش مصنوعی «با توان عملیاتی بالاتر از نظر انرژی کارآمدتر است.
یانگ توضیح می دهد که الکترون هایی که در تراشه های سنتی دستکاری می شوند “سبک” هستند. این سبکی آنها را مستعد حرکت در اطراف و فرار بیشتر می کند. یانگ و همکارانش به جای ذخیره حافظه از طریق الکترون ها، حافظه را در اتم های کامل ذخیره می کنند. در اینجا دلیل اهمیت این حافظه است. یانگ می‌گوید که معمولاً وقتی یک کامپیوتر را خاموش می‌کند، حافظه اطلاعاتی از بین می‌رود – اما اگر برای اجرای یک محاسبات جدید به آن حافظه نیاز دارید و کامپیوتر شما دوباره به اطلاعات نیاز دارد، هم زمان و هم انرژی را از دست داده‌اید.
این روش جدید با تمرکز بر فعال کردن اتم‌ها به جای الکترون‌ها، برای نگهداری اطلاعات ذخیره‌شده به انرژی باتری نیاز ندارد. سناریوهای مشابهی در محاسبات هوش مصنوعی اتفاق می‌افتد، جایی که حافظه پایدار با قابلیت چگالی اطلاعات بالا بسیار مهم است. یانگ این فناوری جدید را تصور می‌کند که ممکن است قابلیت هوش مصنوعی قدرتمند را در دستگاه‌های لبه‌ای، مانند عینک گوگل، که به گفته او قبلاً از مشکل شارژ مکرر رنج می‌برد، فعال کند.
علاوه بر این، با تبدیل تراشه ها به اتم ها در مقابل الکترون ها، تراشه ها کوچکتر می شوند. یانگ اضافه می کند که با این روش جدید، ظرفیت محاسباتی بیشتری در مقیاس کوچکتر وجود دارد. او می‌گوید علاوه بر این، این روش می‌تواند “سطوح حافظه بیشتری را برای کمک به افزایش تراکم اطلاعات” ارائه دهد.
برای قرار دادن آن در زمینه، در حال حاضر، ChatGPT روی یک ابر در حال اجرا است. نوآوری جدید، به دنبال توسعه بیشتر، می تواند قدرت یک نسخه مینی ChatGPT را در دستگاه شخصی همه قرار دهد. این می تواند چنین فناوری پرقدرتی را برای انواع برنامه ها مقرون به صرفه تر و در دسترس تر کند.
