Araştırmacılar, İnsan Beynindeki Sinapslardan 1 Milyon Kat Daha Hızlı “Analog Sinaps” Geliştirdi

MIT’den disiplinlerarası bir araştırmacı ekibi, daha önce geliştirdikleri analog sinapsın hız sınırlarını zorlamak için yola çıktı ve protonları katı maddelerden benzeri görülmemiş hızlarda ilerletmenin bir yolunu buldular. Yeni donanım, çok daha az enerji ile yapay zeka için daha hızlı hesaplama sağlıyor.



İmalat sürecinde, cihazlarının önceki versiyonlardan 1 milyon kat daha hızlı çalışmasını sağlayan inorganik bir malzeme kullandılar, bu da insan beynindeki sinapslardan yaklaşık 1 milyon kat daha hızlı sonuçların ortaya çıkmasına olanak sağladı.


Tıpkı transistörlerin dijital işlemciler oluşturmak için temel unsurlar olması gibi, programlanabilir dirençler de analog derin öğrenmenin temel yapı taşlarıdır. Bilim insanları, karmaşık katmanlarda programlanabilir direnç dizilerini tekrarlayarak, tıpkı bir dijital sinir ağı gibi hesaplamaları yürüten bir analog yapay "nöronlar" ve "sinapslar" ağı oluşturabilirler. Bu ağ daha sonra doğal dil işleme ve görüntü tanıma gibi karmaşık yapay zeka görevlerini gerçekleştirmek için eğitilebilir.


Ayrıca, bu inorganik malzeme, direnci inanılmaz derecede enerji verimli hale getirir. Cihazlarının önceki versiyonunda kullanılan malzemelerin aksine, yeni malzeme silikon üretim teknikleriyle uyumludur. Bu değişiklik, cihazların nanometre ölçeğinde üretilmesini mümkün kıldı ve derin öğrenme uygulamaları için ticari bilgi işlem donanımına entegrasyonun yolunu açabilir.


Kıdemli yazar Jesús A., "MIT.nano'da sahip olduğumuz bu temel anlayış ve çok güçlü nanofabrikasyon teknikleri ile bu parçaları bir araya getirebildik, bu cihazların özünde çok hızlı olduğunu ve makul voltajlarla çalıştığını gösterebildik" diyor. Del Alamo, MIT Elektrik Mühendisliği ve Bilgisayar Bilimleri (EECS) Bölümü'nde Donner Profesörü. "Bu çalışma, bu cihazları gerçekten gelecekteki uygulamalar için gerçekten umut verici göründükleri bir noktaya getirdi."


Breene M. Kerr, Nükleer Bilimler ve Mühendislik ile Malzeme Bilimi ve Mühendisliği bölümleri Profesörü kıdemli yazar Bilge Yıldız, “Cihazın çalışma mekanizması, elektronik iletkenliğini modüle etmek için en küçük iyon olan protonun yalıtkan bir okside elektrokimyasal olarak sokulmasıdır. Çok ince cihazlarla çalıştığımız için, güçlü bir elektrik alanı kullanarak bu iyonun hareketini hızlandırabilir ve bu iyonik cihazları nanosaniye çalışma rejimine itebiliriz” diye açıklıyor




Battelle Energy Alliance Nükleer Bilim ve Mühendislik Profesörü ve kıdemli yazar Ju Li, “Biyolojik hücrelerdeki aksiyon potansiyeli, yaklaşık 0,1 voltluk voltaj farkı suyun kararlılığı tarafından kısıtlandığından, milisaniyelik bir zaman ölçeğinde yükselir ve düşer” diyor. malzeme bilimi ve mühendisliği profesörü, "Burada, protonları kalıcı olarak zarar vermeden ileten nano ölçekli kalınlıkta özel bir katı cam film boyunca 10 volta kadar uyguluyoruz. Alan ne kadar güçlüyse, iyonik cihazlar da o kadar hızlı."


Bu programlanabilir dirençler, bir sinir ağının eğitilme hızını büyük ölçüde artırırken, bu eğitimi gerçekleştirmek için maliyeti ve enerjiyi büyük ölçüde azaltır. Bu, araştırmacıların derin öğrenme modellerini çok daha hızlı geliştirmelerine yardımcı olabilir ve bu modeller daha sonra sürücüsüz arabalar, dolandırıcılık tespiti veya tıbbi görüntü analizi gibi kullanımlarda uygulanabilir.


Baş yazar Murat Önen "Bir analog işlemciye sahip olduğunuzda, artık herkesin üzerinde çalıştığı ağları eğitmiş olmayacaksınız. Başka hiç kimsenin karşılayamayacağı, benzeri görülmemiş karmaşıklıklara sahip ağları eğiteceksiniz ve bu nedenle hepsinden çok daha iyi performans göstereceksiniz. Başka bir deyişle, bu daha hızlı bir araba değil, bu bir uzay aracı," diye ekliyor.


Analog derin öğrenme, iki temel nedenden dolayı dijital muadilinden daha hızlı ve enerji açısından daha verimlidir. "İlk olarak, hesaplama bellekte gerçekleştirilir, bu nedenle çok büyük miktarda veri bellekten bir işlemciye ileri geri aktarılmaz." Analog işlemciler de paralel olarak işlemler gerçekleştirir. Matris boyutu genişlerse, tüm hesaplamalar aynı anda gerçekleştiği için bir analog işlemcinin yeni işlemleri tamamlamak için daha fazla zamana ihtiyacı yoktur.


MIT'nin yeni analog işlemci teknolojisinin temel unsuru, protonik programlanabilir direnç olarak bilinir. Nanometre cinsinden ölçülen bu dirençler (bir nanometre metrenin milyarda biridir), satranç tahtası gibi bir dizi halinde düzenlenmiştir.


İnsan beyninde öğrenme, sinaps adı verilen nöronlar arasındaki bağlantıların güçlenmesi ve zayıflaması nedeniyle gerçekleşir. Derin sinir ağları, ağ ağırlıklarının eğitim algoritmaları aracılığıyla programlandığı bu stratejiyi uzun süredir benimsemiştir. Bu yeni işlemci durumunda, protonik dirençlerin elektriksel iletkenliğini artırmak ve azaltmak, analog makine öğrenmesini sağlar.


İletkenlik, protonların hareketi ile kontrol edilir. İletkenliği artırmak için dirençteki bir kanala daha fazla proton itilirken, iletkenliği azaltmak için protonlar çıkarılır. Bu, protonları ileten ancak elektronları bloke eden bir elektrolit (bir pilinkine benzer) kullanılarak gerçekleştirilir.

Bilim insanları, süper hızlı ve yüksek enerji verimliliğine sahip programlanabilir bir protonik direnç geliştirmek için elektrolit için farklı malzemeler aradılar. Diğer cihazlar organik bileşikler kullanırken, Önen inorganik fosfosilikat cama (PSG) odaklandı.


PSG, temelde nemi gidermek için toz halindeki kurutucu madde olan silikon dioksittir. Yakıt hücreleri için nemlendirilmiş koşullar altında bir proton iletkeni olarak incelenmiştir. Aynı zamanda silikon işlemede kullanılan en iyi bilinen oksittir. PSG yapmak için, silikona proton iletimi için özel özellikler kazandırmak için küçük bir miktar fosfor eklenir.


Önen, optimize edilmiş bir PSG'nin oda sıcaklığında suya ihtiyaç duymadan yüksek proton iletkenliğine sahip olabileceğini ve bu da onu bu uygulama için ideal bir katı elektrolit haline getireceğini öne sürdü.


PSG, yüzeyleri proton difüzyonu için yollar sağlayan çok sayıda nanometre boyutunda gözenek içerdiğinden ultra hızlı proton hareketini mümkün kılar. Ayrıca çok güçlü, darbeli elektrik alanlarına da dayanabilir. Önen, bunun kritik olduğunu, çünkü cihaza daha fazla voltaj uygulanmasının protonların kör edici hızlarda hareket etmesini sağladığını açıklıyor.


"Hız kesinlikle şaşırtıcıydı. Normalde, bu tür aşırı alanları küle dönüştürmemek için cihazlara uygulamazdık. Ancak bunun yerine, protonlar, cihaz yığını boyunca muazzam hızlarda, özellikle daha önce sahip olduklarımıza kıyasla bir milyon kat daha hızlı hareket ettiler. Ve bu hareket, küçük boyutu ve düşük proton kütlesi sayesinde hiçbir şeye zarar vermez. Neredeyse teleporting gibi” diyor ataştırmacılar.


Araştırmacılar, “Nanosaniye zaman ölçeği, böyle aşırı bir alan altında proton için balistik ve hatta kuantum tünelleme rejimine yakın olduğumuz anlamına geliyor" diye ekliyor.


Protonlar malzemeye zarar vermediğinden, direnç bozulmadan milyonlarca döngü boyunca çalışabilir. Bu yeni elektrolit, önceki cihazlarından bir milyon kat daha hızlı olan ve bilgisayar donanımına dahil edilmesi için önemli olan oda sıcaklığında etkin bir şekilde çalışabilen programlanabilir bir protonik direnci etkinleştirdi.


Önen, PSG'nin yalıtım özellikleri sayesinde, protonlar hareket ederken malzemeden neredeyse hiç elektrik akımı geçmez. Bu, cihazı son derece enerji verimli hale getiriyor, diye ekliyor.

Del Alamo, bu programlanabilir dirençlerin etkinliğini gösterdiklerine göre, bilim adamlarının bunları yüksek hacimli üretim için yeniden tasarlamayı planladıklarını söylüyor. Ardından direnç dizilerinin özelliklerini inceleyebilir ve sistemlere gömülebilmeleri için bunları ölçeklendirebilirler.


Aynı zamanda, protonları elektrolite ve elektrolitten verimli bir şekilde aktarmak için gereken voltajı sınırlayan darboğazları ortadan kaldırmak için malzemeleri incelemeyi planlıyorlar.


"Bu iyonik cihazların sağlayabileceği bir başka heyecan verici yön, sinirbilimde analog derin sinir ağlarının ötesinde çıkarılan sinir devrelerini ve sinaptik plastisite kurallarını taklit etmek için enerji verimli donanımdır. MIT Quest for Intelligence tarafından desteklenen nörobilim ile böyle bir işbirliğine şimdiden başladık ” diye ekliyor Yıldız.


“Lityum iyon pillerde bulunanlar gibi interkalasyon reaksiyonları, bellek cihazları için kapsamlı bir şekilde araştırılmıştır. Bu çalışma, proton tabanlı bellek cihazlarının etkileyici ve şaşırtıcı anahtarlama hızı ve dayanıklılığı sağladığını gösteriyor” diyor Stanford Üniversitesi'nde bu araştırmaya dahil olmayan malzeme bilimi ve mühendisliği doçenti William Chueh. "Derin öğrenme algoritmalarını güçlendirmek için yeni bir bellek aygıtı sınıfının temelini atıyor."


Bu çalışma, biyolojiden ilham alan dirençli bellek cihazlarında önemli bir atılım olarak görünüyor. Bu tamamen katı hal protonik cihazlar, biyolojik sinapslara benzer, ancak büyüklük sıralarında daha hızlı oranlarda, protonların mükemmel atomik ölçekte kontrolüne dayanmaktadır. Gelecek nesil hesaplama cihazlarını mümkün kılacak heyecan verici bir gelişme.


Kaynak: https://scitechdaily-com.translate.goog/mits-new-analog-synapse-is-1-million-times-faster-than-the-synapses-in-the-human-brain/amp/