دستاوردی شگفت‌انگیز در هوش مصنوعی: تبدیل ترانزیستور معمولی به نورون مصنوعی

مدل‌های زبانی بزرگ مانند ChatGPT، علی‌رغم الهام‌گیری از مغز، به‌شدت پرمصرف‌اند و همین موضوع مانع استفاده از آن‌ها در بسیاری از کاربردها شده است.
 

 انقلابی در رایانش نورومورفیک
 گفته می‌شود که هدف رایانش نورومورفیک این است که همان توان پردازشی و بازدهی مغز را در تراشه‌ها پیاده‌سازی کند. برای رسیدن به این هدف، باید معماری سامانه‌ها بازطراحی شده و حافظه و پردازش در یک نقطه انجام شوند؛ مفهومی به نام «رایانش درون‌حافظه‌ای» (IMC).

همچنین، نیاز است اجزای الکترونیکی‌ای توسعه یابند که بتوانند پدیده‌های فیزیکی و الکترونیکی نورون‌ها و سیناپس‌ها را شبیه‌سازی کنند.
 
با این حال، راهکارهای فعلی در این حوزه با پیچیدگی بالا و استفاده از مواد جدیدی همراه‌اند که هنوز قابلیت تولید انبوه آن‌ها اثبات نشده است. لانزا اظهار می‌دارد: «برای دستیابی به رایانش واقعی نورومورفیک، باید سخت‌افزاری داشته باشیم که هم مقیاس‌پذیر باشد و هم کم‌مصرف.»
 
 دستاوردی با استفاده از فناوری متداول سیلیکون
 گروه تحقیقاتی NUS موفق شده است با استفاده از یک ترانزیستور استاندارد و بهره‌گیری از تنظیمات خاص، هر دو رفتار نورونی (شلیک پالس) و سیناپسی (تغییر وزن اتصال) را در آن بازسازی کند. این کار از طریق تنظیم مقاومت پایانهٔ زیرین ترانزیستور انجام شده، به گونه‌ای که دو پدیدهٔ فیزیکی «یونیزاسیون ضربه‌ای» و «به‌دام‌افتادن بار» در آن فعال شوند.
 
در ادامه، این تیم پژوهشی سلولی شامل دو ترانزیستور طراحی کرده که می‌تواند بسته به نیاز در حالت نورونی یا سیناپسی کار کند. آن‌ها این فناوری جدید را «حافظهٔ تصادفی نوروـسیناپسی» یا به اختصار NS-RAM نامیده‌اند.
 
لانزا توضیح می‌دهد: «بر خلاف دیگر رویکردها که به آرایه‌های پیچیده یا مواد خاص نیاز دارند، روش ما از همان فناوری CMOS استفاده می‌کند که در پردازنده‌ها و حافظه‌های امروزی به کار می‌رود. این یعنی روش ما با فناوری‌های فعلی سازگار، قابل اطمینان و قابل تولید انبوه است.»
 
 پیش‌نیازی برای پردازنده‌های هوش مصنوعی آینده
 
سلول NS-RAM در آزمایش‌ها، مصرف انرژی بسیار کمی داشت، عملکرد پایداری در چرخه‌های متعدد نشان داد و رفتاری قابل پیش‌بینی و یکنواخت بین دستگاه‌های مختلف از خود بروز داد؛ ویژگی‌هایی که برای طراحی سخت‌افزارهای مطمئن ANN ضروری‌اند.
 
این دستاورد نقطهٔ عطفی در مسیر توسعهٔ پردازنده‌های کوچک و کم‌مصرف برای هوش مصنوعی به شمار می‌رود؛ پردازنده‌هایی که می‌توانند به پردازش سریع‌تر و پاسخ‌گویی بالاتر در کاربردهای واقعی منجر شوند.