18 مه 2022 – توسط موسسه علوم و فناوری پیشرفته کره (KAIST)-شماتیکی که فعالیت موضعی مغز (a-c) و پیکربندی شبکه عصبی ترکیبی سخت افزاری و نرم افزاری (d-e) را با استفاده از آرایه ممریستور خود اصلاح شونده (f-g) نشان می دهد.
محققان یک سیستم هوش مصنوعی جدید با الهام از تعدیل عصبی مغز ارائه کرده اند که به آن “سیستم ذخیره” می گویند که به مصرف انرژی کمتری نیاز دارد. گروه تحقیقاتی به سرپرستی پروفسور کیونگ مین کیم از دپارتمان علوم و مهندسی مواد، فناوری‌ای را توسعه داده‌اند که می‌تواند با تقلید از تغییرات مداوم در توپولوژی شبکه عصبی مطابق با موقعیت، عملیات ریاضی را برای هوش مصنوعی به طور کارآمد انجام دهد. مغز انسان توپولوژی عصبی خود را در زمان واقعی تغییر می دهد و یاد می گیرد که در صورت نیاز، خاطرات را ذخیره یا به خاطر بیاورد. گروه تحقیقاتی یک روش یادگیری هوش مصنوعی جدید را ارائه کردند که مستقیماً این پیکربندی‌های مدار هماهنگی عصبی را پیاده‌سازی می‌کند.
تحقیقات در مورد هوش مصنوعی بسیار فعال می‌شود و توسعه دستگاه‌های الکترونیکی مبتنی بر هوش مصنوعی و انتشار محصولات به‌ویژه در عصر انقلاب صنعتی چهارم سرعت می‌گیرد. برای پیاده سازی هوش مصنوعی در دستگاه های الکترونیکی، توسعه سخت افزار سفارشی نیز باید پشتیبانی شود. با این حال، اکثر دستگاه های الکترونیکی برای هوش مصنوعی به مصرف انرژی بالا و آرایه های حافظه بسیار یکپارچه برای کارهای در مقیاس بزرگ نیاز دارند. حل این محدودیت‌های مصرف انرژی و یکپارچه‌سازی چالش‌برانگیز بوده است، و تلاش‌هایی برای یافتن چگونگی حل مشکلات مغز انسان انجام شده است.
برای اثبات کارایی فناوری توسعه‌یافته، گروه تحقیقاتی سخت‌افزار شبکه عصبی مصنوعی مجهز به آرایه سیناپسی و الگوریتم خود اصلاح‌شونده به نام «سیستم پنهان‌سازی» را ایجاد کردند که برای انجام یادگیری هوش مصنوعی توسعه داده شد. در نتیجه، توانست مصرف انرژی را تا 37 درصد در سیستم ذخیره سازی بدون کاهش دقت کاهش دهد. این نتیجه ثابت می کند که شبیه سازی نورومدولاسیون در انسان امکان پذیر است.
پروفسور کیم می گوید: “در این مطالعه، ما روش یادگیری مغز انسان را تنها با یک ترکیب مدار ساده اجرا کردیم و از این طریق توانستیم انرژی مورد نیاز را نزدیک به 40٪ کاهش دهیم.”
این سیستم ذخیره سازی الهام گرفته از نورومدولاسیون که فعالیت عصبی مغز را تقلید می کند، با دستگاه های الکترونیکی موجود و سخت افزارهای نیمه هادی تجاری سازی شده سازگار است. انتظار می رود در طراحی نسل بعدی تراشه های نیمه هادی برای هوش مصنوعی استفاده شود.
