Razem z rozwojem sztucznej inteligencji lawinowo rosną czas i energia, potrzebne do trenowania coraz bardziej złożonych sieci neuronowych - zwracają uwagę eksperci z Massachusetts Institute of Technology.

Ich zdaniem nadchodzi jednak era analogowego uczenia maszynowego, które będzie opierało się na procesorach ze sztucznymi neuronami, działających podobnie do mózgu.

Według obecnej wiedzy mózg zapamiętuje informacje w ten sposób, że połączenia między odpowiednimi neuronami (synapsy) wzmacniają się lub osłabiają. Można to symulować na tradycyjnych komputerach, ale działanie złożonych programów tego typu wymaga ogromnej mocy obliczeniowej, czasu i energii.

Dlatego od dłuższego czasu poszukuje się sposobu, aby stworzyć fizyczne, sztuczne neurony z synapsami.

Syntetyczną synapsę opracowali już wcześniej m.in. specjaliści z MIT, a teraz opracowali jego wersję - uwaga - milion razy szybszą od poprzedniej. Jak twierdzą, oznacza to milion razy większą prędkość, niż prędkość działania naturalnych synaps w mózgu człowieka.

Wynalazek jest też niezwykle oszczędny pod względem zużycia energii, a przy tym zgodny z technikami produkcji tradycyjnych chipów krzemowych.

„Opracowany mechanizm polega na umieszczeniu najmniejszego jonu - protonu - w izolującej warstwie tlenku, aby zmieniać jej przewodnictwo elektryczne. Ponieważ pracujemy z bardzo cienką strukturą, możemy przyspieszyć ruch tego jonu z pomocą silnego pola elektrycznego i uzyskać prędkość mierzoną w skali nanosekund” - tłumaczy prof. Bilge Yildiz, współautorka wynalazku.

„Zmiany potencjałów w żywych komórkach zachodzą w czasie milisekund, ponieważ działająca w nich różnica napięcia 0,1 V jest ograniczona stabilnością wody. My wykorzystujemy napięcie 10 V w specjalnej szklanej błonie o grubości mierzonej w nanometrach. Przewodzi ona protony bez doznawania trwałych uszkodzeń. Im silniejsze pole elektryczne, tym szybsze jest nasze jonowe urządzenie” - kontynuuje.

Dzięki temu trenowanie neuronowych sieci, które obecnie zabiera najwięcej czasu, ma zachodzić szybko i sprawnie, przy „drastycznie” niższych kosztach.

Tak opracowane sieci będą mogły działać np. w autonomicznych samochodach czy medycznych skanerach.

Różnice między tradycyjną siecią neuronową i opartą na nowych protonowych synapsach badacze przyrównują do różnicy między samochodem i kosmiczną rakietą. Istnieją dwa główne powody tak dużego postępu. Po pierwsze, obliczenia są prowadzone od razu w pamięci, więc ogromnych ilości danych nie trzeba przesyłać z pamięci do procesora i w drugą stronę. Po drugie, procesor z synapsami prowadzi wszystkie operacje równolegle i przy tworzeniu większej sieci neuronowej wytwarza się większy procesor.

W następnych krokach badacze chcą przystosować swój wynalazek do masowej produkcji. Będą się również starali jeszcze go udoskonalić. Biorą także pod uwagę próby odtwarzania w nim różnych neuronalnych procesów, które zachodzą w żywych mózgach.

„Współpraca, jaką udało nam się stworzyć, będzie kluczowa dla przyszłych innowacji. Dalsza droga będzie nadal pełna wyzwań, ale jednocześnie - wyjątkowo ekscytująca” - mówi prof. Yildiz.

Więcej informacji na stronach: https://news.mit.edu/2022/analog-deep-learning-ai-computing-0728 i https://www.science.org/doi/10.1126/science.abp8064 (PAP)

Marek Matacz

mat/ zan/