تراشه‌هایی که مانند مغز فکر می‌کنند، اما بسیار کم‌مصرف‌ترند

در حالی که رشد سریع هوش مصنوعی، توان محاسباتی بی‌سابقه‌ای را به همراه داشته، یکی از چالش‌های بزرگ این فناوری نوظهور، مصرف بالای انرژی آن است. اکنون راه‌حلی الهام‌گرفته از مغز انسان در حال شکل‌گیری است؛ تراشه‌های نورومورفیک که به‌طرز چشمگیری مصرف انرژی را کاهش می‌دهند.

یکی از پیشگامان این عرصه، شرکت BrainChip است که با توسعه پردازنده‌ای به نام Akida، گامی بلند در جهت بهره‌وری انرژی برداشته است. این تراشه با تقلید از شبکه‌های عصبی مغز انسان تنها در صورت تغییر اطلاعات ورودی فعال می‌شود. نتیجه؟ کاهش مصرف انرژی تا ۱۰۰ برابر نسبت به تراشه‌های سنتی.
استیون برایت‌فیلد، مدیر بازاریابی BrainChip می‌گوید: «در کاربردهایی مانند دوربین‌های نظارتی که بیشتر داده‌ها تکراری هستند، Akida فقط تغییرات فریم‌ها را پردازش می‌کند. همین موضوع می‌تواند بین ۱۰ تا ۱۰۰ برابر انرژی کمتری مصرف کند.»

برخلاف نورون‌های بیولوژیکی که فقط به سیگنال‌های قوی واکنش نشان می‌دهند، تراشه Akida نیز تنها در صورت عبور ورودی‌ها از یک آستانه مشخص فعال می‌شود. این طراحی هوشمندانه باعث صرفه‌جویی چشمگیر در منابع می‌شود.
در حالی که برخی شرکت‌ها به دنبال طراحی‌های آنالوگ هستند، BrainChip با انتخاب معماری دیجیتال توانسته سازگاری بالایی با فرآیندهای تولید نیمه‌هادی موجود ایجاد کند. این یعنی توسعه آسان‌تر و اطمینان بیشتر در عملکرد.

با این حال، این فناوری هنوز در ابتدای راه است. تراشه Akida فعلاً تنها از محاسبات ۸ بیتی ثابت‌نقطه پشتیبانی می‌کند و برای اجرای مدل‌های پیچیده‌تر نیاز به ارتقاء خواهد داشت. اما برایت‌فیلد تأکید می‌کند که نسخه‌های بعدی این تراشه‌ها از دقت‌های بالاتر مانند ۳۲ بیتی شناور نیز پشتیبانی خواهند کرد.
برای اتصال معماری نورومورفیک به شبکه‌های عصبی مرسوم، BrainChip یک ابزار نرم‌افزاری به نام MetaTF توسعه داده که می‌تواند مدل‌های رایج هوش مصنوعی را به فرمت سازگار با Akida تبدیل کند.

در دنیایی که هر وات انرژی اهمیت دارد، این رویکرد می‌تواند آینده‌ساز باشد. شاید روزی تراشه‌هایی که مانند مغز فکر می‌کنند، موتور محرک اغلب سامانه‌های هوش مصنوعی ما باشند.

کد خبر ۲۱۲۰۴۰۵۰۵.۰۲۷

منبع: اینترستینگ اینجیرینگ