به گزارش خبرگزاری اقتصاد ایران، دانشمندان به رهبری بابک باخیت، پژوهشگر دانشگاه کمبریج، تراشه‌ای نوین توسعه داده‌اند که می‌تواند کاهش ۷۰ درصدی مصرف انرژی را در سیستم‌های هوش مصنوعی به ارمغان آورد.

این فناوری که با تقلید از شیوه پردازش اطلاعات در مغز انسان طراحی شده، راهکاری برای بحران برق‌خواری سخت‌افزارهای کنونی ارائه می‌دهد.

این دستگاه‌های نانوالکترونیکی جدید، داده‌ها را درست مانند نورون‌های زیستی و بدون جابه‌جایی مداوم بین واحد حافظه و پردازشگر مدیریت می‌کنند.

پایان جابجایی پرمصرف داده‌ها با محاسبات نورومورفیک

در تراشه‌های سنتی، انتقال بی‌وقفه اطلاعات بین بخش‌های مختلف، حجم عظیمی از برق را هدر می‌دهد. تیم پژوهشی با بهره‌گیری از محاسبات نورومورفیک این مشکل را هدف قرار داده است.

آنها نسخه‌ای پایدار از اکسید هافنیوم را مهندسی کردند که به عنوان یک ممریستور کم‌مصرف عمل می‌کند. برخلاف نمونه‌های قدیمی که با تشکیل رشته‌های رسانای ناپایدار کار می‌کنند، این ماده با افزودن استرانسیوم و تیتانیوم و تنظیم سد انرژی در اتصالات میکروسکوپی، مقاومت خود را تغییر می‌دهد.

نتیجه این نوآوری، دستیابی به جریان‌های الکتریکی تقریبا یک میلیون برابر ضعیف‌تر از ممریستورهای معمولی است.

پایداری خیره‌کننده و یادگیری مانند مغز

آزمایش‌ها نشان داد این کاهش مصرف برق تنها مزیت تراشه جدید نیست. دستگاه‌ها توانستند صدها سطح رسانایی مجزا را حفظ کنند و در طول ده‌ها هزار چرخه سوئیچینگ، پایداری خود را از دست ندهند.

همچنین رفتار یادگیری بیولوژیکی کلیدی مانند انعطاف‌پذیری وابسته به زمان‌بندی اسپایک را به نمایش گذاشتند، فرآیندی که در آن نورون‌ها ارتباطات خود را بر اساس ترتیب و زمان سیگنال‌ها تنظیم می‌کنند. این قابلیت‌ها برای اجرای محاسبات آنالوگ درون‌حافظه‌ای ضروری است.

با این حال، مسیر تجاری‌سازی این بهینه‌سازی انرژی هموار نیست. فرآیند تولید کنونی به دمای ۷۰۰ درجه سلسیوس نیاز دارد که با استانداردهای رایج ساخت نیمه‌رساناها همخوانی ندارد.

اگر محققان بتوانند این مانع حرارتی را پشت سر بگذارند، ادغام این تراشه‌های الهام‌گرفته از مغز در سخت‌افزارهای روزمره، چشم‌انداز هوش مصنوعی را برای همیشه دگرگون خواهد کرد.