Beyin ilhamlı çip, yapay zeka güç tüketimini azaltabilir

Yapay zeka güç tüketimi, son yıllarda süratle büyüyen data merkezleri ve yüksek performanslı donanımlar nedeniyle kritik bir tartışma başlığı haline geldi. Cambridge Üniversitesi araştırmacıları, bu probleme tahlil olabilecek beyin ilhamlı bir çip geliştirdiğini açıkladı. Nano ölçekli yeni aygıtın, mevcut yapay zeka sistemlerine kıyasla güç kullanımını yüzde 70’e kadar azaltabileceği belirtiliyor.

Günümüzde yapay zeka modellerinin çalıştırılması için kullanılan donanımlar epeyce yüksek güç tüketiyor. Örneğin gelişmiş GPU kümeleri, çip başına yaklaşık 700 watt güç gerektirirken, büyük ölçekli sistemlerde bu kıymet megawatt düzeyine ulaşabiliyor. Buna karşılık insan beyni sadece yaklaşık 20 watt güçle çalışarak emsal karmaşıklıkta süreçleri gerçekleştirebiliyor. Bu fark, bilim insanlarını uzun müddettir biyolojik sistemleri taklit eden alternatif mimariler geliştirmeye yönlendiriyor. Cambridge grubunun yaklaşımı da bu farktan yola çıkarak hesaplama süreçlerini daha verimli hale getirmeyi amaçlıyor.

Memristör tabanlı nöromorfik mimari nasıl çalışıyor?

Geleneksel bilgisayar mimarisinde süreç ünitesi ve bellek fizikî olarak başkadır. Bu durum, bilgilerin daima olarak iki bileşen ortasında taşınmasını gerektirir ve her data transferi güç tüketimini artırır. Nöromorfik hesaplama ise bu ayrımı ortadan kaldırarak bilgi depolama ve işlemeyi tıpkı noktada birleştiren bir yapı sunar. İnsan beyninde nöronlar ve sinapslar bilgiyi eş vakitli olarak işleyip depolarken, yeni geliştirilen memristör de benzeri bir fonksiyonu yerine getirir.

Memristörler, klasik transistörlerden farklı olarak güç kesildiğinde bile durumlarını koruyabilen bileşenlerdir. Fakat mevcut memristör teknolojilerinde değerli sıkıntılar bulunuyor. Bilhassa oksit tabanlı memristörler, iletken filamentlerin rastgele oluşup yok olması prensibiyle çalıştığı için tutarsız davranış sergileyebiliyor. Ayrıyeten bu cins aygıtlar çoklukla daha yüksek voltaj gerektiriyor ve bu da güç verimliliğini sınırlıyor.

Cambridge Üniversitesi araştırmacıları bu sorunu aşmak için farklı bir yaklaşım benimsedi. Hafniyum oksit bazlı gerece stronsiyum ve titanyum eklenerek geliştirilen yeni yapı, iki kademeli üretim süreciyle oluşturuldu. Bu süreç, aygıt içinde mikroskobik pn kontakları meydana getirerek daha denetimli bir elektriksel davranış sağlıyor. Böylelikle iletken yolların rastgele oluşumu yerine, güç bariyerinin ayarlanmasıyla direnç değişimi elde ediliyor.

Yeni çipin bir başka kıymetli özelliği analog davranış sergileyebilmesi. Klasik dijital sistemler sırf iki durum ortasında çalışırken, biyolojik sinapslar çok daha geniş bir aralıkta ilişki gücü değişimi gösterebilir. Cambridge grubunun geliştirdiği memristörler, yüzlerce farklı iletkenlik düzeyini kararlı biçimde koruyabiliyor. Bu özellik, yapay hudut ağlarının daha hassas öğrenme süreçleri gerçekleştirmesine imkan tanıyor.

Araştırma kapsamında aygıtın biyolojik öğrenme düzeneklerini da taklit edebildiği gösterildi. Bilhassa sinyal zamanlamasına bağlı plastisite olarak bilinen ve nöronlar ortasındaki ilişkilerin zamanlama farkına nazaran güçlendiği ya da zayıfladığı süreç muvaffakiyetle simüle edildi. Milisaniye ölçeğinde gerçekleşen bu öğrenme davranışı, donanımın sadece data saklayan bir bileşen olmaktan çıkıp, adaptif bir sistem haline gelmesini sağlıyor.

Bununla birlikte teknolojinin önünde kıymetli maniler bulunuyor. Mevcut üretim süreci yaklaşık 700 derece sıcaklık gerektiriyor ve bu kıymet standart yarı iletken üretim süreçlerinin hayli üzerinde. Araştırmacılar, bu sıcaklığı düşürmek ve üretim uyumluluğunu artırmak için çalışmalarını sürdürüyor. Bu zorlukların aşılması durumunda, geliştirilen memristörlerin mevcut çip üretim sınırlarına entegre edilmesi mümkün olabilir.

Kaynak : Donanimhaber