به تازگی تیمی از محققان MIT روی طرح یک مقاومت آنالوگ سخت افزاری برای استفاده در نسل بعدی تکنولوژیها مانند یادگیری ماشین و هوش مصنوعی کار کردهاند. با این حال چیزی که جالب توجه است این است که طراحی آنها به جای اینکه بیشتر دیجیتال باشد آنالوگ است. مقاومتهای قابل برنامهنویسی protonic برای عملکرد و سرعت بخشیدن به شبکههای هوش مصنوعی ساخته شدهاند و در عین حال کارکرد این تکنولوژی را میلیونها بار تسریع میکنند.
همهی اینها در حالی انجام میشود که مصرف انرژی در این نوع طرح به شدت پایین تر از طرحهای مبتنی بر ترانزیستور عنوان شده است. مکانیسم کار این دستگاه افزودن یونهای کوچک الکتروشیمیایی پروتون در اکسید عایق شده برای کنترل خاصیت رسانای آن است. به دلیل اینکه در این روش با دستگاههای بسیار نازک کار میشود محققان میتوانند با استفاده از یک میدان الکتریکی قوی حرکت این یونها را افزایش دهند و سرعت دستگاه را به نانوثانیه برسانند.
محققان امیدوارند با این طرح سخت افزاری نیازهای پیشرفته الکتریکی دستگاههای هوش مصنوعی و یادگیری ماشین را رفع کنند
این تحقیق MIT بر روی ایجاد مقاومت های آنالوگ حالت جامد متمرکز بود، که همانطور که از نام آن پیداست مقاومت در برابر عبور الکتریسیته ایجاد میکند. استفاده از روش آنالوگ نسبت به دیجیتال دو مزیت عمده دارد که اولی در برنامهنویسی مقاومتها خلاصه میشود که دادههای مورد نیاز برای عملکرد و آموزش مقاومت را در داخل آن قرار میدهد.
هنگامی که مقاومت را برنامهنویس میکنند، در این مورد برنامهریزی آن میتواند افزایش و یا کاهش تعداد پروتون در بخش هایی از چیپ باشد، value برنامهریزی شده به ساختار چیپ اضافه میشود و این به معنای این است که اطلاعات همین حالا هم در ساختار آنالوگ چیپ وجود دارد و نیازی به انتقال آن اطلاعات به بانک اطلاعاتی خارجی (RAM یا VRAM) نیست چیزی که در اکثر معماری تراشه ها وجود دارد و همین مسئله باعث صرفه جویی در زمان و انرژی میشود.
مورد دوم ساخت پردازندههای آنالوگ MIT است که در یک ماتریکس طراحی میشوند و این یعنی این قطعات بیشتر شبیه GPU های رایج هستند تا CPU ها و این قطعات مانند کارت گرافیک عملیات را به صورت موازی انجام میدهند که همهی محاسبات به صورت همزمان اتفاق میافتد. طبق گفتهی محققان این پروژه، ادعا شده که مقاومتهای آنها یک میلیون بار سریعتر از طرحهای نسل قبلی است زیرا این قطعات با شیشه فسفوسیلیکات ساخته شدهاند و این مادهای است که عمدتاً دی اکسید سیلیکون است و با تکنیکهای ساخت سیلیکون نیز سازگاری مناسبی دارد.
درست مانند ترانزیستورها، هر چه مقاومت در یک ناحیه کوچک بیشتر باشد تراکم محاسباتی نیز افزایش مییابد و وقتی به نقطهی خاصی برسد این شبکه میتواند برای دستیابی به وظایفت پیچیده هوش مصنوعی مانند تشخیص تصویر و پردازش زبان طبیعی آموزش ببیند. همهی اینها با کاهش نیاز به توان و افزایش عملکرد انجام میشود.
دیدگاهتان را بنویسید