تراشه ای که به طور خودکار خطاها را شناسایی و تصحیح می کند

به گزارش ICTNN، گروهی از محققان مؤسسه علوم و فناوری پیشرفته کره (KAIST) در کره جنوبی یک تراشه یکپارچه مبتنی بر ممریستور ساخته اند که روش پردازش اطلاعات در مغز را تقلید می کند.

این گروه به رهبری پروفسورهای Shinhyun Choi و Young-Gyu Yoon، نسل بعدی تراشه نورومورفیک، یک نیمه هادی فوق العاده کوچک که به طور مستقل خطاها را یاد می گیرد و تصحیح می کند، توسعه دادند.

این تراشه اکنون آماده استقرار در دستگاه‌های متنوعی مانند دوربین‌های امنیتی هوشمند است که بدون اتکا به سرورهای ابری و دستگاه‌های پزشکی که داده‌های سلامت را در زمان واقعی تجزیه و تحلیل می‌کنند، فوراً فعالیت‌های مشکوک را تشخیص می‌دهند.

حل چالش های دستگاه های نورومورفیک

نورومورفیک (نورومورفیک) یا به اختصار مهندسی نورومورفیک، همچنین به نام “محاسبات عصبی”، مفهومی است که در اواخر دهه 1980 توسط کارور مید توسعه یافت و به معنای استفاده از سیستم‌های یکپارچه (VLSI) در مقیاس بسیار بزرگ حاوی مدارهای الکترونیکی آنالوگ است. (شبیه سازی) معماری عصبی و بیولوژیکی سیستم عصبی.

در حال حاضر، اصطلاح نورومورفیک برای توصیف سیستم‌های آنالوگ، دیجیتال، مختلط آنالوگ/دیجیتال و نرم‌افزارهایی که سیستم‌های عصبی را مدل‌سازی می‌کنند، استفاده می‌شود. پیاده سازی محاسبات عصبی در سطح سخت افزار را می توان با ممریستورها و ترانزیستورها به دست آورد.

یکی از جنبه‌های اصلی مهندسی نورومورفیک درک این موضوع است که چگونه مورفولوژی نورون‌ها، مدارها، برنامه‌ها و معماری‌های همه‌جای تخصصی بر نحوه ارائه اطلاعات و استحکام در برابر آسیب تأثیر می‌گذارد، ترکیب یادگیری و توسعه با سازگاری با تغییرات محلی (انعطاف‌پذیری) و تسهیل تغییرات تکاملی. انجام دهید

با این حال، این تراشه کامپیوتری جدید به دلیل توانایی خود در یادگیری و تصحیح خطاهای ناشی از ویژگی‌های غیر ایده‌آل، که چالشی برای دستگاه‌های نورومورفیک موجود است، متمایز است. به عنوان مثال، هنگام پردازش ویدیوها، می تواند به طور خودکار اجسام متحرک را از پس زمینه جدا کند و عملکرد خود را در طول زمان بهبود بخشد.

این تراشه خودآموز توانایی های خود را با دستیابی به دقت قابل مقایسه با شبیه سازی های کامپیوتری ایده آل در پردازش تصویر بلادرنگ نشان داده است. دستاورد اصلی تیم تحقیقاتی در ایجاد سیستمی است که نه تنها قابل اعتماد است، بلکه کاربردی است و فراتر از توسعه اجزای منفرد شبیه مغز است.

تمرکز اصلی این نوآوری یک دستگاه نیمه هادی نسل بعدی به نام ممریستور است. ویژگی‌های مقاومت متغیر آن نقش سیناپس‌ها در شبکه‌های عصبی را تقلید می‌کند و ذخیره و محاسبه همزمان داده‌ها را ممکن می‌سازد، دقیقاً مانند نحوه عملکرد سلول‌های مغز ما.

ممریستور دقیقاً تغییرات مقاومت را کنترل می کند و یک سیستم کارآمد ایجاد می کند که نیاز به جبران پیچیده از طریق خودآموزی را از بین می برد.

این مطالعه مهم است زیرا پتانسیل تجاری یک سیستم نورومورفیک نسل بعدی را برای یادگیری و استنتاج بلادرنگ نشان می دهد.

برای بهبود سرعت، وظایف پردازش هوش مصنوعی در محل را تسریع کنید

پلتفرم‌های مبتنی بر ممریستور به دلیل توانایی آنها در انجام محاسبات موازی در حوزه آنالوگ، می‌توانند سیستم‌های محاسباتی لبه هوش مصنوعی فشرده و کم مصرف را فعال کنند. با این حال، سیستم‌های مبتنی بر آرایه‌های ممریستور هنگام پیاده‌سازی الگوریتم‌های هوش مصنوعی بلادرنگ با یادگیری ماشینی به دلیل مشکلات قابلیت اطمینان مانند عملکرد ضعیف، یکنواختی ضعیف و مشکلات استقامتی با مشکلاتی مواجه می‌شوند.

هدف این فناوری اکنون تغییر روش ادغام هوش مصنوعی در دستگاه های روزمره با پردازش وظایف هوش مصنوعی در محل است.

این مطالعه اشاره می‌کند که این امر اتکا به سرورهای ابری راه دور را کاهش می‌دهد و دستگاه‌ها را سریع‌تر، ایمن‌تر و کارآمدتر می‌کند.

دانشمندان در مقاله خود خاطرنشان می کنند: ما از ممریستورهای مبتنی بر اکسید تیتانیوم با توزیع پیشرونده اکسیژن استفاده می کنیم که دارای قابلیت اطمینان بالا، خطی بودن بالا، غیر انباشته شدن و ویژگی های خود تصحیح شونده هستند. این پلتفرم می‌تواند الگوریتم‌های هوش مصنوعی را در حوزه آنالوگ از طریق «خود کالیبراسیون» اجرا کند، بدون اینکه نیازی به جبران یا پیش‌آموزش باشد.

به گفته محققانی که توسعه این فناوری را رهبری کردند، این سیستم به عنوان یک فضای کاری هوشمند عمل می کند که در آن همه چیز به راحتی قابل دسترسی است.

به گفته محققان، این سیستم همچنین نحوه پردازش اطلاعات توسط مغز را منعکس می کند، جایی که همه چیز به طور موثر در یک مکان پردازش می شود.

این مطالعه در مجله Nature Electronics منتشر شد.

ICTNN