پژوهشگران دانشگاه ایالتی اورگن موفق به توسعه یک قطعه الکترونیکی جدید شدهاند که میتواند نور را تشخیص دهد، دادهها را ذخیره کند و بخشی از پردازش را نیز در همان محل انجام دهد. این فناوری که از نحوه عملکرد حافظه در مغز انسان الهام گرفته، میتواند مصرف انرژی سامانههای هوش مصنوعی آینده را به شکل قابل توجهی کاهش دهد.
در حالی که بخش زیادی از مصرف انرژی سامانههای هوش مصنوعی به جابهجایی مداوم داده میان حسگرها، حافظه و پردازندهها مربوط میشود، محققان دانشگاه ایالتی اورگن (OSU) راهکاری متفاوت برای حل این مشکل ارائه کردهاند. آنها یک فوتوترانزیستور جدید توسعه دادهاند که سه وظیفه کلیدی شامل تشخیص نور، ذخیرهسازی داده و پردازش اطلاعات را بهصورت همزمان در یک قطعه واحد انجام میدهد.
نتایج این پژوهش که در نشریه Advanced Functional Materials منتشر شده، نشان میدهد این فناوری میتواند مسیر توسعه نسل جدیدی از سختافزارهای هوش مصنوعی کممصرف را هموار کند؛ بهویژه در دستگاههای Edge AI مانند دوربینهای هوشمند، رباتها، پهپادها و سامانههای خودران.
پایان رفتوآمد پرهزینه دادهها
در معماریهای متداول، حسگر تصویر، حافظه و پردازنده سه بخش کاملاً مجزا هستند. به همین دلیل دادههای تصویری باید دائماً میان این واحدها جابهجا شوند؛ فرآیندی که علاوه بر افزایش تأخیر، سهم بزرگی در مصرف انرژی سیستم دارد.
فناوری جدید پژوهشگران آمریکایی تلاش میکند بخشی از این زنجیره را حذف کند. در این طراحی، پردازش اولیه و ذخیرهسازی اطلاعات مستقیماً داخل حسگر نوری انجام میشود؛ یعنی داده پیش از آنکه به حافظه یا پردازنده منتقل شود، تا حدی تحلیل و مدیریت خواهد شد.
به گفته «لری چنگ»، استاد مهندسی برق و علوم کامپیوتر دانشگاه اورگن و رهبر این پروژه، این فناوری قابلیت جدیدی در سطح سختافزار ایجاد میکند که میتواند پردازش اطلاعات را مستقیماً در محل دریافت داده ممکن سازد.
فوتوترانزیستوری که حافظه دارد
هسته اصلی این فناوری یک فوتوترانزیستور مبتنی بر دو ماده متفاوت است. بخش نخست یک نیمهرسانای اکسیدی را تشکیل میدهد که مسیر عبور جریان الکتریکی را فراهم میکند و بخش دوم یک لایه آلی حساس به نور است که وظیفه جذب فوتونها را بر عهده دارد.
زمانی که نور به این ساختار برخورد میکند، بخشی از بارهای الکتریکی ایجادشده در لایه حساس به نور به دام میافتند. نکته مهم اینجاست که این بارها حتی پس از قطع نور نیز اثر خود را حفظ میکنند و در نتیجه دستگاه میتواند حضور سیگنال نوری قبلی را «به خاطر بسپارد».
اما جذابترین بخش ماجرا این است که این حافظه دائمی نیست.
حافظهای که میتواند فراموش کند
پژوهشگران با اعمال یک ولتاژ کنترلی کوچک قادرند محل قرارگیری بارهای به دام افتاده را تغییر دهند. هرچه این بارها به کانال ترانزیستور نزدیکتر شوند، اثر آنها قویتر شده و حافظه برای مدت طولانیتری حفظ میشود. در مقابل، دور شدن آنها باعث ضعیف شدن اثر و محو تدریجی اطلاعات خواهد شد.
این رفتار تا حدی یادآور عملکرد مغز انسان است؛ که در آن برخی خاطرات تقویت میشوند و برخی دیگر به مرور زمان از بین میروند.
در واقع این قطعه میتواند تعیین کند کدام دادهها ارزش نگهداری بیشتری دارند و کدام اطلاعات باید سریعتر حذف شوند؛ قابلیتی که برای پردازش هوشمند دادههای حسگرها اهمیت زیادی دارد.
کاربردهای بالقوه در رباتها و سیستمهای بینایی ماشین
چنین رویکردی میتواند در حوزه «محاسبات نورومورفیک» (Neuromorphic Computing) و همچنین «پردازش درونحسگری» (In-Sensor Computing) نقش مهمی ایفا کند.
برای مثال یک دوربین امنیتی یا ربات خودران نیازی ندارد همه دادههای تصویری را برای مدت طولانی نگهداری کند. برخی اطلاعات تنها برای چند لحظه اهمیت دارند، برخی باید چند ثانیه حفظ شوند و بخشی دیگر میتوانند بلافاصله حذف شوند. فناوری جدید این امکان را فراهم میکند که چنین تصمیماتی مستقیماً در سطح حسگر اتخاذ شود.
گامی کوچک اما مهم برای آینده سختافزارهای هوش مصنوعی
البته این فناوری هنوز در مرحله تحقیقاتی قرار دارد و فاصله زیادی تا ورود به محصولات تجاری یا جایگزینی شتابدهندههای هوش مصنوعی امروزی دارد. با این حال، پژوهش جدید نشان میدهد که آینده سختافزارهای AI لزوماً به پردازندههای قدرتمندتر محدود نمیشود و کاهش جابهجایی داده نیز میتواند نقش مهمی در افزایش کارایی ایفا کند.
اگر این فناوری در ابعاد صنعتی قابل پیادهسازی باشد، نسل آینده سیستمهای هوش مصنوعی میتوانند سریعتر، کممصرفتر و فشردهتر از امروز باشند؛ موضوعی که بهویژه برای دستگاههای مبتنی بر باتری و پردازشهای لبه شبکه اهمیت فراوانی خواهد داشت.
نظر خود را اضافه کنید.
برای ارسال نظر وارد شوید
ارسال نظر بدون عضویت در سایت