النفق الكمي لتعزيز تقوية الذاكرة في الذكاء الاصطناعي
لقد حقق الذكاء الاصطناعي والتعلم الآلي تقدمًا هائلاً في السنوات القليلة الماضية بما في ذلك الإطلاق الأخير لـ ChatGPT والمولدات الفنية، ولكن الشيء الوحيد الذي لا يزال رائعًا هو طريقة فعالة في استخدام الطاقة لإنشاء وتخزين ذكريات طويلة وقصيرة المدى في وقت واحد.
عامل الشكل مشابه للدماغ البشري. طور فريق من الباحثين في مدرسة McKelvey للهندسة بجامعة واشنطن في سانت لويس طريقة موفرة للطاقة لتوحيد الذكريات طويلة المدى على شريحة صغيرة.
طور شانتانو تشاكرابارتي ، أستاذ كليفورد دبليو مورفي في قسم بريستون إم غرين للهندسة الكهربائية والنظم، وأعضاء في مختبره جهازًا بسيطًا نسبيًا يحاكي ديناميكيات نقاط الاشتباك العصبي في الدماغ، وصلات بين الخلايا العصبية التي تسمح للإشارات بتمرير المعلومات.
المشابك الاصطناعية المستخدمة في العديد من أنظمة الذكاء الاصطناعي الحديثة بسيطة نسنسبيًا،ي حين أن المشابك البيولوجية يمكن أن تخزن ذكريات معقدة بسبب التفاعل الرائع بين المسارات الكيميائية المختلفة.
أظهرت مجموعة تشاكرابارتي أن المشابك الاصطناعية الخاصة بهم يمكن أن تحاكي أيضًا بعض هذه الديناميكيات التي يمكن أن تسمح لأنظمة الذكاء الاصطناعي بتعلم مهام جديدة باستمرار دون نسيان كيفية أداء المهام القديمة.
نُشرت نتائج البحث في 13 كانون الثاني (يناير) في مجلة Frontiers in Neuroscience .
للقيام بذلك، قام فريق تشاكرابارتي ببناء جهاز يعمل مثل خزانين متزاوجين من الإلكترونات حيث يمكن للإلكترونات أن تتدفق بين الغرفتين عبر تقاطع أو مشابك اصطناعية.
لإنشاء هذا التقاطع، استخدموا النفق الكمي، وهي ظاهرة تسمح للإلكترون بالمرور بطريقة سحرية عبر حاجز. على وجه التحديد، استخدموا نفق Fowler-Nordheim (FN) الكمي، حيث تقفز الإلكترونات عبر حاجز مثلث، وفي هذه العملية، تغير شكل الحاجز.
يوفر نفق FN اتصالًا أبسط بكثير وأكثر كفاءة في استخدام الطاقة من الطرق الحالية المعقدة جدًا لنمذجة الكمبيوتر.
وقال تشاكرابارتي: “جمال هذا هو أنه يمكننا التحكم في هذا الجهاز حتى إلكترون واحد لأننا صممنا هذا الحاجز الميكانيكي الكمومي بدقة”.
صمم تشاكرابارتي وطلاب الدكتوراه مصطفى رحمان وسوبهانكار بوز مجموعة نموذجية من 128 من أجهزة الساعة الرملية هذه على شريحة يقل حجمها عن ملليمتر واحد.
قال تشاكرابارتي: “يُظهر عملنا أن تشغيل المشبك FN هو شبه مثالي من حيث العمر التشابكي وخصائص التوحيد المحددة”.
“يمكن لجهاز المشبك الاصطناعي هذا حل أو تنفيذ بعض مهام التعلم المستمر هذه حيث لا ينسى الجهاز ما تعلمه من قبل. الآن، يسمح بذاكرة طويلة المدى وقصيرة المدى على نفس الجهاز.”
قال تشاكرابارتي إنه نظرًا لأن الجهاز يستخدم عددًا قليلاً من الإلكترونات في المرة الواحدة، فإنه يستخدم القليل جدًا من الطاقة بشكل عام.
قال تشاكرابارتي: “معظم أجهزة الكمبيوتر المستخدمة في مهام التعلم الآلي تنقل الكثير من الإلكترونات من البطارية وتخزنها على مكثف ثم تفريغها ولا تعيد تدويرها”.
“في نموذجنا، نصلح الكمية الإجمالية للإلكترونات مسبقًا ولا نحتاج إلى حقن طاقة إضافية لأن الإلكترونات تتدفق من خلال الفيزياء نفسها.
من خلال التأكد من تدفق عدد قليل من الإلكترونات في المرة الواحدة، يمكننا جعل هذا الجهاز العمل لفترات طويلة من الزمن “.
العمل جزء من بحث يقوم به تشاكرابارتي وأعضاء مختبره لجعل الذكاء الاصطناعي أكثر استدامة. تزداد الطاقة المطلوبة لحسابات الذكاء الاصطناعي الحالية بشكل كبير، حيث يتطلب الجيل التالي من النماذج ما يقرب من 200 تراجول لتدريب نظام واحد.
وهذه الأنظمة ليست قريبة حتى من الوصول إلى قدرة الدماغ البشري، الذي يحتوي على ما يقرب من 1000 تريليون نقطة الاشتباك العصبي.
وقال: “في الوقت الحالي، لسنا متأكدين بشأن أنظمة التدريب التي تحتوي حتى على نصف تريليون عامل، والنهج الحالية ليست مستدامة للطاقة”.
“إذا بقينا على المسار الذي نسير فيه، فإما أن يحدث شيء جديد لتوفير طاقة كافية أو علينا معرفة كيفية تدريب هذه النماذج الكبيرة باستخدام أجهزة الذاكرة الديناميكية الموفرة للطاقة.”
المصدر: techxplore
قد يهمك:
