المشبك التناظري الجديد لمعهد ماساتشوستس للتكنولوجيا أسرع بمليون مرة من المشابك العصبية في الدماغ البشري
تقدم الأجهزة الجديدة حسابًا أسرع لذكاء الاصطناعي، مع طاقة أقل بكثير
وجد مهندسو معهد ماساتشوستس للتكنولوجيا الذين يعملون على “التعلم العميق التناظري” طريقة لدفع البروتونات عبر المواد الصلبة بسرعات غير مسبوقة.
إن مقدار الوقت والجهد والمال اللازم لتدريب نماذج الشبكات العصبية الأكثر تعقيدًا يتزايد مع قيام الباحثين بدفع حدود التعلم الآلي. يعد التعلم العميق التناظري، وهو فرع جديد من الذكاء الاصطناعي، بمعالجة أسرع بجزء بسيط من استخدام الطاقة.
المقاومات القابلة للبرمجة هي اللبنات الأساسية في التعلم العميق التناظري، تمامًا مثل الترانزستورات هي العناصر الأساسية لبناء المعالجات الرقمية. من خلال تكرار صفيفات المقاومات القابلة للبرمجة في طبقات معقدة، يمكن للعلماء إنشاء شبكة من “الخلايا العصبية” الاصطناعية التناظرية و “نقاط الاشتباك العصبي” التي تنفذ العمليات الحسابية تمامًا مثل الشبكة العصبية الرقمية. يمكن بعد ذلك تدريب هذه الشبكة لتحقيق مهام الذكاء الاصطناعي المعقدة مثل معالجة اللغة الطبيعية والتعرف على الصور.
شرع فريق متعدد التخصصات من الباحثين من معهد ماساتشوستس للتكنولوجيا في دفع حدود السرعة لنوع من المشابك التناظرية التي يصنعها الإنسان والتي طوروها سابقًا. لقد استخدموا مادة عملية غير عضوية في عملية التصنيع تمكن أجهزتهم من العمل أسرع بمليون مرة من الإصدارات السابقة، وهو أيضًا أسرع بنحو مليون مرة من المشابك العصبية في الدماغ البشري.
علاوة على ذلك، فإن هذه المادة غير العضوية تجعل المقاوم موفرًا للطاقة بشكل لا يصدق. على عكس المواد المستخدمة في الإصدار السابق من أجهزتهم، فإن المادة الجديدة متوافقة مع تقنيات تصنيع السيليكون. مكّن هذا التغيير من تصنيع أجهزة على نطاق نانومتر ويمكن أن يمهد الطريق للاندماج في أجهزة الحوسبة التجارية لتطبيقات التعلم العميق.
يقول المؤلف الكبير Jesús A. ديل ألامو ، أستاذ دونر في قسم الهندسة الكهربائية وعلوم الكمبيوتر بمعهد ماساتشوستس للتكنولوجيا (EECS). “لقد وضع هذا العمل هذه الأجهزة حقًا في نقطة تبدو فيها الآن واعدة حقًا للتطبيقات المستقبلية.”
“آلية عمل الجهاز هي الإدخال الكهروكيميائي لأصغر أيون، البروتون، في أكسيد عازل لتعديل توصيله الإلكتروني. نظرًا لأننا نعمل بأجهزة رفيعة جدًا، يمكننا تسريع حركة هذا الأيون باستخدام مجال كهربائي قوي، ودفع هذه الأجهزة الأيونية إلى نظام تشغيل نانوثاني “، كما يوضح المؤلف الكبير بيلج يلدز ، أستاذ Breene M. Kerr في أقسام العلوم والهندسة النووية وعلوم وهندسة المواد.
يقول المؤلف الكبير جو لي، أستاذ Battelle Energy Alliance في العلوم والهندسة النووية وأستاذ علوم وهندسة المواد، “نقوم هنا بتطبيق ما يصل إلى 10 فولت عبر فيلم زجاجي صلب خاص بسماكة نانوية يوصل البروتونات، دون إتلافه بشكل دائم. وكلما كان المجال أقوى، زادت سرعة الأجهزة الأيونية “.
تعمل هذه المقاومات القابلة للبرمجة على زيادة السرعة التي يتم بها تدريب الشبكة العصبية بشكل كبير، مع تقليل التكلفة والطاقة بشكل كبير لأداء هذا التدريب. يمكن أن يساعد ذلك الباحثين على تطوير نماذج التعلم العميق بسرعة أكبر، والتي يمكن بعد ذلك تطبيقها في استخدامات مثل السيارات ذاتية القيادة، أو اكتشاف الاحتيال، أو تحليل الصور الطبية.
“بمجرد أن يكون لديك معالج تمثيلي، فلن تعد تقوم بتدريب الشبكات التي يعمل عليها أي شخص آخر. سوف تقوم بتدريب شبكات ذات تعقيدات غير مسبوقة لا يستطيع أي شخص آخر تحملها، وبالتالي يتفوق عليها جميعًا بشكل كبير. بعبارة أخرى، هذه ليست سيارة أسرع، إنها مركبة فضائية، “يضيف المؤلف الرئيسي ومعهد ما بعد الدكتوراة في معهد ماساتشوستس للتكنولوجيا مراد أونين.
ومن بين المؤلفين المشاركين فرانسيس إم روس، أستاذة إلين سوالو ريتشاردز في قسم علوم وهندسة المواد. باحثا ما بعد الدكتوراة نيكولا إيموند وباومينج وانج؛ و Difei Zhang ، طالب دراسات عليا من EECS. نُشر البحث في 28 يوليو في مجلة Science .
تسريع التعلم العميق
التعلم العميق التناظري أسرع وأكثر كفاءة في استخدام الطاقة من نظيره الرقمي لسببين رئيسيين. “أولاً، يتم إجراء الحساب في الذاكرة، لذلك لا يتم نقل كميات هائلة من البيانات ذهابًا وإيابًا من الذاكرة إلى المعالج.” تقوم المعالجات التناظرية أيضًا بإجراء عمليات بالتوازي. إذا تم توسيع حجم المصفوفة، فلن يحتاج المعالج التمثيلي إلى مزيد من الوقت لإكمال العمليات الجديدة لأن كل العمليات الحسابية تحدث في وقت واحد.
يُعرف العنصر الأساسي في تقنية المعالج التناظري الجديد الخاص بمعهد ماساتشوستس للتكنولوجيا بالمقاوم البروتوني القابل للبرمجة. هذه المقاومات، التي تُقاس بالنانومتر (النانومتر الواحد يساوي واحد من المليار من المتر) ، مرتبة في مصفوفة، مثل رقعة الشطرنج.
يحدث التعلم في الدماغ البشري بسبب تقوية وإضعاف الروابط بين الخلايا العصبية، والتي تسمى المشابك العصبية. لطالما اعتمدت الشبكات العصبية العميقة هذه الاستراتيجية، حيث تتم برمجة أوزان الشبكة من خلال خوارزميات التدريب. في حالة هذا المعالج الجديد، فإن زيادة الموصلية الكهربائية للمقاومات البروتونية وخفضها تتيح التعلم الآلي التناظري.
يتم التحكم في التوصيل بواسطة حركة البروتونات. لزيادة التوصيل، يتم دفع المزيد من البروتونات إلى قناة في المقاوم، بينما يتم إخراج البروتونات لتقليل التوصيل. يتم تحقيق ذلك باستخدام إلكتروليت (مشابه للبطارية) يقوم بتوصيل البروتونات ولكنه يمنع الإلكترونات.
لتطوير مقاوم بروتوني قابل للبرمجة فائق السرعة وعالي الكفاءة في استخدام الطاقة، بحث العلماء في مواد مختلفة للإلكتروليت. بينما تستخدم الأجهزة الأخرى مركبات عضوية، ركز Onen على زجاج فسفوسيليكات غير عضوي (PSG).
PSG هو في الأساس ثاني أكسيد السيليكون، وهو مادة مجففة بودرة توجد في أكياس صغيرة تأتي في الصندوق مع أثاث جديد لإزالة الرطوبة. تمت دراسته كموصل للبروتون في ظروف الرطوبة لخلايا الوقود. وهو أيضًا أكثر الأكاسيد شهرة المستخدمة في معالجة السيليكون. لصنع PSG، يضاف جزء ضئيل من الفوسفور إلى السيليكون لمنحه خصائص خاصة لتوصيل البروتون.
افترض أونين أن PSG المحسّن يمكن أن يكون له موصلية عالية للبروتون في درجة حرارة الغرفة دون الحاجة إلى الماء، مما يجعله مثالياً للإلكتروليت الصلب لهذا التطبيق. لقد كان محقا.
سرعة مذهلة
يتيح PSG حركة البروتون فائقة السرعة لأنه يحتوي على العديد من المسام بحجم النانومتر التي توفر أسطحها مسارات لانتشار البروتون. ويمكنه أيضًا تحمل المجالات الكهربائية القوية للغاية النبضية. يوضح أونين أن هذا أمر بالغ الأهمية، لأن تطبيق المزيد من الجهد على الجهاز يمكّن البروتونات من التحرك بسرعات مسببة للعمى.
“كانت السرعة بالتأكيد مفاجئة. في العادة، لن نطبق مثل هذه الحقول المتطرفة عبر الأجهزة، حتى لا نحولها إلى رماد. ولكن بدلاً من ذلك، انتهى الأمر بالبروتونات إلى التحرك بسرعة هائلة عبر مكدس الجهاز، وتحديداً أسرع بمليون مرة مقارنة بما كان لدينا من قبل. وهذه الحركة لا تضر بأي شيء، وذلك بفضل صغر حجم البروتونات وكتلتها المنخفضة. إنه يشبه النقل الآني تقريبًا، “كما يقول.
يضيف لي: “النطاق الزمني النانوثاني يعني أننا قريبون من نظام النفق الباليستي أو حتى نظام النفق الكمي للبروتون، في ظل هذا المجال المتطرف”.
نظرًا لأن البروتونات لا تلحق الضرر بالمادة، يمكن للمقاوم أن يستمر لملايين الدورات دون أن ينهار. أتاح هذا الإلكتروليت الجديد مقاومة بروتونية قابلة للبرمجة أسرع بملايين المرات من أجهزتهم السابقة ويمكن أن تعمل بفاعلية في درجة حرارة الغرفة، وهو أمر مهم لدمجه في أجهزة الحوسبة.
بفضل الخصائص العازلة لـ PSG، لا يمر تيار كهربائي تقريبًا عبر المادة أثناء تحرك البروتونات. يضيف Onen أن هذا يجعل الجهاز موفرًا للطاقة بشكل كبير.
الآن بعد أن أثبتوا فعالية هذه المقاومات القابلة للبرمجة، يخطط العلماء لإعادة تصميمها للتصنيع بكميات كبيرة، كما يقول ديل ألامو. ثم يمكنهم دراسة خصائص مصفوفات المقاومة وتوسيع نطاقها بحيث يمكن دمجها في الأنظمة.
في الوقت نفسه، يخططون لدراسة المواد لإزالة الاختناقات التي تحد من الجهد المطلوب لنقل البروتونات بكفاءة إلى ومن خلال ومن المنحل بالكهرباء.
“الاتجاه المثير الآخر الذي يمكن لهذه الأجهزة الأيونية تمكينه هو الأجهزة الموفرة للطاقة لمحاكاة الدوائر العصبية وقواعد اللدونة المشبكية التي يتم استنتاجها في علم الأعصاب، بما يتجاوز الشبكات العصبية العميقة التناظرية. لقد بدأنا بالفعل مثل هذا التعاون مع علم الأعصاب، بدعم من MIT Quest for Intelligence “، يضيف يلدز.
“سيكون التعاون الذي لدينا ضروريًا للابتكار في المستقبل. لا يزال الطريق إلى الأمام يمثل تحديًا كبيرًا، ولكنه في نفس الوقت مثير للغاية، “يقول ديل ألامو.
“تم استكشاف تفاعلات الإقحام مثل تلك الموجودة في بطاريات الليثيوم أيون على نطاق واسع لأجهزة الذاكرة. يوضح هذا العمل أن أجهزة الذاكرة القائمة على البروتونات توفر سرعة تبديل مثيرة للإعجاب ومدهشة وقدرة على التحمل، “كما يقول ويليام تشويه، الأستاذ المشارك لعلوم وهندسة المواد في جامعة ستانفورد، والذي لم يشارك في هذا البحث. “إنها تضع الأساس لفئة جديدة من أجهزة الذاكرة لتشغيل خوارزميات التعلم العميق.”
يوضح هذا العمل اختراقًا مهمًا في أجهزة الذاكرة المقاومة المستوحاة بيولوجيًا. تعتمد هذه الأجهزة البروتونية ذات الحالة الصلبة بالكامل على تحكم رائع بالمقياس الذري للبروتونات، على غرار المشابك البيولوجية ولكن بمعدلات أسرع. ” العلوم والهندسة في جامعة كارنيجي ميلون، الذي لم يشارك في هذا العمل. “أثني على فريق معهد ماساتشوستس للتكنولوجيا متعدد التخصصات لهذا التطور المثير، والذي سيمكن الأجهزة الحاسوبية من الجيل المستقبلي.”
المصدر: scitechdaily
قد يهمك:
