129 Views
2018 Jan 25technology
img

محققان MIT می گویند طراحی جدید تراشه هاما را به دستیابی رایانه هایی که شبیه مغز ما کار می کنند نزدیک می کند . پیشرفت در یادگیری ماشین machine learning در سال های اخیر بسیار سریع بوده است، اما پردازنده های رایانه ای این اجرا و پیشبرد این برنامه ها را به سختی انداخته اند. برای اصلاح این، شرکت ها طراحی چیپ موجود را دوباره مطابق با نیازهای AI بازسازی کرده اند و در زمینه پیشرفت های تحقیقاتی، روشی کاملا جدید در حال شکل گیری است: پردازنده ها بازسازی می شوند، به طوری که آنها بیشتر شبیه مغز ما کار کنند. 

این فرایند "neuromorphic computing" نامیده می شود و دانشمندان MIT هفته گذشته اعلام کردند پیشرفت های چشمگیری در تولید این تراشه های جدید انجام داده اند. تحقیقات آنها، منتشر شده در مجله Nature Materials، در نهایت منجر به پردازشگرهایی می شود که کارهای یادگیری ماشین machine learning را با نیاز انرژی کم تر انجام می دهند - تا 1000 بار کمتر. این امر ما را قادر می سازد تا توانایی های AI بیشتری مانند تشخیص صدا و تصویر را فراهم کنیم.

برای درک آنچه این محققان انجام داده اند، شما باید کمی درباره تراشه های neuromorphic بدانید. تفاوت اصلی بین این پردازنده ها و آنهایی که در رایانه شما استفاده می شود این است که آنها داده ها را در یک آنالوگ پردازش می کنند، نه به شکل دیجیتال. این بدان معنی است که به جای ارسال اطلاعات در یک سری از on / off ها، شدت این سیگنال ها را تغییر می دهند - درست همانند سیناپس های مغز ما.

اگر تراشه های neuromorphic کار می کنند، ما نیاز به صرف انرژی کم تری برای ادراک AI خواهیم بود. این بدان معنی است که اطلاعات بیشتری را می توان در هر تکان بسته بندی کرد، که این فرایند میزان نیاز به انرژی را به شدت کاهش می دهد. این مانند تفاوت بین کد مورس و سخنرانی است. کد مورس داده ها را با استفاده از دو خروجی، نقطه ها و خطوط، رمزنگاری می کند و معانی را آسان درک می کند، و یک ارتباط طولانی برقرار می کند. اما سخنرانی در مقایسه با آن می تواند در تفسیر موضوع دشوار باشد (مانند خطوط تلفن شلوغ و کافه های پر سر و صدا) اما هر سخنرانی فرد داده های بسیار بیشتری را نگه می دارد.



neuromorphic

پردازنده های جدید

یادگیری ماشین