Japon araştırmacılar, yapay zeka hesaplaması için nöromorfik donanımı pratik hale getirebilecek yeni bir transistörü açıkladı.
Nöromorfik hesaplama alanı, insan beyninin mimarisini ve hesaplama gücünü taklit eden sistemler geliştiriyor. Bir unsur, sinir ağlarını taklit eden ve bir gün yapay zeka araştırma ve geliştirmede daha fazla hesaplama gücü ve hızına yönelik muazzam talebi karşılaması beklenen “hazneler” olarak adlandırılır.
Nöromorfik hesaplamadaki rezervuarlar fikri, rezervuar hesaplama kavramından gelir. Rezervuar hesaplama, tekrarlayan katmanın (“rezervuar”) rastgele üretildiği ve eğitimden geçmediği tekrarlayan bir sinir ağı (RNN) çerçevesidir. Bunun yerine, öğrenme yoluyla yalnızca çıktı ağırlıkları güncellenir, bu da eğitim sürecini basitleştirir ve daha verimli hale getirir.
Nöromorfik hesaplamada, bu tür rezervuarlar, analog elektronik devreler, optoelektronik sistemler veya mekanik sistemler gibi farklı yüzeylerde uygulanabilir. Bu bağlamda “fiziksel rezervuar hesaplama” terimi kullanılmaktadır.
reklam
Bu rezervuarlar, girdi verilerinin etkileşimine ve işlenmesine bağlı olarak zamanla değişen sinir ağları gibi davranır ve bu nedenle verileri nesne tanıma gibi karmaşık görevler için uygun yüksek boyutlu temsillere dönüştürme yeteneğine sahiptir. Ancak pratikte bu sistemler, mevcut donanımla elde edilmesi zor olan çok sayıda rezervuar durumu gerektirir.
Yeni transistör rezervuar durumlarını ikiye katlıyor
Bu tür bellek sistemlerinin uyumluluk, performans ve entegrasyon sorunlarının üstesinden gelmek için Japon araştırmacılar şimdi yeni bir transistör geliştirdiler. Ekibe göre bu gelişme, nöromorfik yüksek performanslı bilgi işlem için yeni olanaklar sunuyor.
Takımın iyon geçidi rezervuar transistörü olarak adlandırılan yeni transistörü, rekor sayıda rezervuar durumu üretebilir. Ekibe göre, transistör, lityum iyonlarının hızla hareket ettiği, iki çıkış akımı oluşturan ve rezervuar durumlarının sayısını etkili bir şekilde ikiye katlayan bir elektrolit kullanıyor.
Ek olarak, kanaldaki ve elektrolitteki farklı iyon taşıma hızları, iki akım, boşaltma akımı ve geçit akımı arasında bir gecikmeye neden olur. Bu gecikme, sistemin önceki girişlerden gelen bilgileri kısaca depolamasına ve fiziksel bellekler için temel bir gereklilik olan gelecekteki işlemler için kullanmasına olanak tanır.
Testlerde bu cihaz, memristörler gibi diğer benzer teknolojilerden daha iyi performans gösterdi ve geçmiş girdi ve çıktı verilerine dayanarak tahminlerde bulunma konusunda oldukça isabetli olduğunu kanıtladı. Tokyo Bilim Üniversitesi’nden (TUS) Doçent Dr. Tohru Higuchi’ye göre sistem, “gelecekte bilgisayarlar ve cep telefonları da dahil olmak üzere çok çeşitli elektronik cihazlarda uygulanacak genel amaçlı bir teknoloji” olma potansiyeline sahip.
Öneri
