Šajā jaunajā datorzinātņu jomā zinātnieki modelē smadzenes, lai padarītu datorus ātrākus un efektīvākus. Dažu pēdējo desmitgažu laikā mēs esam bijuši liecinieki tehnoloģiskai revolūcijai, ko izraisīja datoru procesoru izveide, kuru pamatā ir silīcijs un citi pusvadītāju materiāli.
Datori kādreiz bija veselu telpu lielumā, taču kopš tā laika tie ir samazināti līdz atsevišķām mikroshēmām. Mūra likums, jēdziens, ko Gordons Mūrs izmantoja 1965. gadā, lai aprakstītu novērojumu, ka komponentu skaits vienā integrētajā mikroshēmā dubultosies ik pēc diviem gadiem, tādējādi radot arvien ātrākus datorus, ir bijis šīs tendences virzītājspēks.
Taču, tā kā datoru, robotu, lietu interneta (IoT) un viedo iekārtu attīstības dēļ pieaug skaitļošanas prasības, pusvadītāju nozare ir sasniegusi punktu, kurā vairs nav iespējams turpināt miniaturizēt datoru mikroshēmas. Patiesībā ir tikai tik daudz tranzistoru, kas var ietilpt vienā mikroshēmā.
Rezultātā datorzinātnieki pievēršas pilnīgi jaunai pieejai skaitļošanai, kas pazīstama kā "neiromorfā skaitļošana", kurā datori ir paredzēti, lai darbotos līdzīgi cilvēka smadzenēm un mijiedarbotos ar ārpasauli.
Šī studiju joma kļūst arvien populārāka un tiek uzskatīta par fundamentālo posmu datoru aparatūras un mākslīgā intelekta sistēmu izveidē. Mēs aptveram visu, kas jums jāzina par šo jauno jomu un to, ko tas nozīmē datorzinātņu nākotnei.
Kā smadzenes apstrādā un uzglabā informāciju?
Pirms pāriet uz neiromorfiskām ierīcēm un to lietojumiem, vislabāk ir apspriest bioloģisko parādību, kas motivē šo lauku (sinaptiskā plastiskums). Tā ir cilvēka smadzeņu neparastā spēja mainīties un pielāgoties jaunai informācijai. Lai to pareizi novērtētu, vispirms jāapspriež sava "datorcentra" pamatdarbība.
Smadzeņu kurjeršūnas sauc par neironiem. Tās visas ir savstarpēji saistītas, pateicoties sinapsēm, savienojošām vietām, kas tās visas savieno plašā tīklā, caur kuru tiek pārraidīti elektroniskie impulsi un ķīmiskie signāli. Viņi sazinās savā starpā, izmantojot "smailes", kas ir īsi elektrības uzliesmojumi, kuru garums ir milisekundes.
Atmiņu datorā var palielināt, vienkārši pievienojot vairāk atmiņas šūnu, bet smadzenēs atmiņas tiek ražotas, nostiprinot savienojumus starp neironiem un veidojot jaunus savienojumus. Kad divi neironi ir ciešāk saistīti viens ar otru, mēs varam teikt, ka savienotās sinapses sinaptiskais svars palielinās. Apmēram 10 mūsu smadzenēs12 Ir neironi, un tie ir savienoti viens ar otru 10.15 Viņi sazinās caur sinapsēm. Šie savienojumi un to savstarpējās komunikācijas pakāpe svārstās laika gaitā un saņemto stimulu vai smaiļu daudzumā, lai smadzenes varētu pielāgoties mainīgajai videi, veidot un saglabāt atmiņas.
Ir ļoti svarīgi izprast potenciāciju un depresiju, divus galvenos sinaptiskās plastiskuma mehānismus, kur sinaptiskie savienojumi pakāpeniski nostiprinās vai vājinās un tiem ir svarīga loma mācībās un atmiņā. Tas ir iespējams jebkurā laika diapazonā no sekundēm līdz stundām vai ilgāk.
Tiek pieņemts, ka augstākas frekvences tapas, piemēram, tās, kas rodas, apgūstot jaunas prasmes, ir saistītas ar ilgtermiņa atmiņas attīstību, stiprinot vai pastiprinot noteiktas sinapses. No otras puses, zemākas frekvences stimuli izraisa depresiju un līdz ar to savienojuma (vai sinaptiskā svara) pavājināšanos attiecīgajā sinaptiskajā krustojumā, kas ir līdzīgi kā kaut ko iemācīto aizmirst.
Jāuzsver, ka tas ir nedaudz pārlieku vienkāršots un ka pilnvaras un depresija ir atkarīga ne tikai no sitienu biežuma, bet arī no laika. Piemēram, ja daudzi neironi vienlaikus sūta smailes sinapsei, sinaptiskais svars palielinās daudz ātrāk nekā impulsu virkne.
Pētniekiem ir jādomā ārpus kastes, lai apzināti atdarinātu šo procesu, jo tas ir tik izsmalcināts un sarežģīts.
Kā darbojas neiromorfs dators?
Mūsdienu datoru izgatavošanai izmantotā fon Neimaņa arhitektūra ir balstīta uz idejām, kuras pirmo reizi izstrādāja Alans Tjūrings pagājušā gadsimta trīsdesmitajos gados. Šī konfigurācija prasa, lai atmiņa un datu apstrādes bloki būtu atsevišķi, kas palēnina veiktspēju, jo dati ir jānosūta uz priekšu un atpakaļ starp tām un nevajadzīgi patērē vairāk enerģijas.
No otras puses, neiromorfie datori izmanto mikroshēmu arhitektūru, kas apvieno aprēķinus un atmiņu vienā komponentā. Aparatūras ziņā šī joma paplašinās, un tajā ir iekļauti vismodernākie jauni dizaini, dažādi materiāli un jaunas datoru daļas.
Pētnieki no visas pasaules strādā, lai izveidotu sintētiskus neironu un sinapsu tīklus, kas atdarina smadzeņu elastību, izmantojot gan organiskus, gan neorganiskus materiālus. Lielākā daļa pašlaik pastāvošo liela mēroga neiromorfisko datoru, piemēram, IBM TrueNorth, Intel Loihi un BrainScales-2, izmanto tranzistorus, kuru pamatā ir pārbaudīta metāla oksīda pusvadītāju tehnoloģija.
Fon Neumann datori bieži izmanto tranzistorus kā vienu no elektroniskajiem celtniecības blokiem. Ir simtiem dažādu tranzistoru veidu, no kuriem populārākais ir metāla oksīda pusvadītāju lauka efekta tranzistors jeb MOSFET. Tie galvenokārt darbojas kā slēdzis (un mazākā mērā kā pastiprinātājs) elektriskās strāvas padevei datora mikroshēmā.
Tas ļauj katram tranzistoram būt ieslēgtā vai izslēgtā stāvoklī, kas ir līdzvērtīgs binārajam 1 vai 0, un novērš vai ļauj plūst strāvai, ļaujot tai pastāvēt jebkurā stāvoklī. Šis darbības princips padara informācijas glabāšanu un apstrādi neticami vienkāršu, tāpēc elektroniskās atmiņas šūnas un loģiskie vārti ir kļuvuši par būtiskām mūsu digitālās pasaules sastāvdaļām.
Tomēr elektriskie signāli mūsu smadzenēs nav tikai 0 un 1. Piemēram, savienojumam starp sinapsēm var būt atšķirīgs "svars" vai blīvums.
Ir izveidoti daudzi rīki, lai to simulētu neiromorfā datorā. "Aktīvais slānis", kas modulē signālu starp vienībām, ir iekļauts noteikta veida pusvadītāju tranzistorā, kas pazīstams kā polimēru sinaptiskais tranzistors. Vadītspēju un līdz ar to arī signāla izvadi ietekmē šī slāņa veidošanai izmantotā vadošā polimēra īpašais sastāvs.
Kad caur tranzistoriem tiek pielietota noteikta sprieguma frekvence, aktīvais slānis mainās, izraisot elektriskā signāla padziļinājumus vai pastiprinājumus, kas ir salīdzināmi ar smadzeņu darbības lēcieniem. Būtībā tā izpaužas plastiskums, un katra smaile satur skaitliskus datus par frekvenci, laiku, izmēru un formu. Smailes var pārvērst par binārām vērtībām un otrādi, taču precīzs process, kā to izdarīt, pašlaik tiek pētīts.
Pētnieki ir ziņojuši par arvien radošākiem veidiem, kā atdarināt smadzeņu struktūru, izmantojot mākslīgos komponentus, piemēram, memristorus, kondensatorus, spintroniskās ierīces, un pat dažus intriģējošus mēģinājumus veikt neiromorfisku skaitļošanu, izmantojot sēnītes. Arī neiromorfā aparatūra neaprobežojas tikai ar tranzistoriem.
Kā ieprogrammēt neiromorfu datoru?
Mākslīgos neironu tīklus (ANN) bieži izmanto neiromorfiskie datori, lai veiktu skaitļošanas uzdevumus. Spiking neironu tīkli (SNN), viens no daudzajiem ANN variantiem, ir īpaši interesanti, jo tie ir veidoti uz sintētiskiem neironiem, kas mijiedarbojas viens ar otru, apmainoties ar elektriskiem signāliem, kas pazīstami kā "smailes", un iekļauj laiku savos modeļos. Rezultātā šīs sistēmas patērē mazāk enerģijas, jo mākslīgie neironi pārraida informāciju tikai tad, kad kopējais saņemto smaiļu skaits pārsniedz noteiktu slieksni.
Pirms tīkls var sākt darboties, tas ir jāieprogrammē jeb, citiem vārdiem sakot, jāapgūst. Tas tiek panākts, sniedzot viņam faktus, no kuriem viņš var smelties. Mācību stratēģija var atšķirties atkarībā no ANN veida. Piemēram, ja tīkls tiek apmācīts atpazīt kaķus vai suņus fotogrāfijās, tūkstošiem attēlu var ievadīt ar atzīmi "kaķis" vai "suns", lai apmācītu subjektu to atpazīt pats turpmākajā darbā. Lai manipulētu ar katra attēla pikseļa krāsu, identifikācijai ir jāveic ārkārtīgi darbietilpīgi aprēķini.
Ir daudz dažādu ANN, un tas, kuru no tiem izmantot, ir atkarīgs no lietotāja vajadzībām. Lai gan SNN ir pievilcīgi to zemā enerģijas patēriņa dēļ, tos parasti ir grūti apmācīt, galvenokārt to sarežģītās neironu dinamikas un neatšķiramās smailes procesu dēļ.
Kur tiek izmantota neiromorfā skaitļošana?
Pēc ekspertu domām, neiromorfās ierīces drīzāk papildinās, nevis aizstās tradicionālo datoru aparatūru, īpaši, ja runa ir par noteiktu tehnoloģisku problēmu risināšanu. Lai gan ir apgalvojumi, ka neiromorfie datori var simulēt Būla loģiku, kas ir jebkuras mūsdienu programmēšanas valodas pamatideja, tas liecina, ka neiromorfie datori potenciāli var veikt vispārējas nozīmes skaitļošanu.
Jebkurā gadījumā jomās un lietojumos, kur smadzenes ir pārākas par tradicionālajiem datoriem energoefektivitātes un skaitļošanas ātruma ziņā, neiromorfā skaitļošana būs ļoti iespaidīga.
Tie ietver mākslīgā intelekta (AI) izmantošanu, lai efektīvi veiktu kognitīvus uzdevumus, piemēram, balss vai attēla identifikāciju, kā arī jaunu iespēju pavēršanu robotikai, sensoriem un veselības aprūpei (minēt tikai dažus).
Lai gan tēma joprojām ir sākuma stadijā un ir jāpārvar šķēršļi, neiromorfā skaitļošana kļūst arvien populārāka un piedāvā dzīvotspējīgu alternatīvu tradicionālajām datorsistēmām.
Avots: advancedsciencenews
Günceleme: 14/03/2023 15:25