Nöronları birbirine bağlayan sinapsları taklit eden memristif cihazlar, beynin öğrenme şeklini kopyalayan sinir ağları için donanım görevi görebilir. Şimdi iki yeni çalışma, bu bileşenlerin sadece verim ve güvenilirlikle değil, aynı zamanda sinir ağlarının ötesinde uygulamalar bulma konusunda karşılaştıkları temel sorunları çözmeye yardımcı olabilir.
Memristörler ya da hafıza dirençleri, aslında güçleri kesildikten sonra hangi elektrik durumuna geçtiklerini hatırlayabilen anahtarlardır. Dünyanın dört bir yanındaki bilim insanları memristörleri ve benzer bileşenleri kullanarak nöronlar gibi hem hesaplama yapabilen hem de veri depolayabilen elektronikler üretmeyi hedefliyor. Bu memristif cihazlar, geleneksel mikroçiplerde işlemciler ve bellek arasında veri gidip gelirken kaybedilen enerji ve zamanı büyük ölçüde azaltabilir. Beyinden esinlenen bu tür nöromorfik donanımlar, tıbbi taramaların analizi ve otonom araçların güçlendirilmesi gibi uygulamalarda giderek daha fazla kullanım alanı bulan sinir ağları-AI sistemlerinin uygulanması için de ideal olabilir.
Bununla birlikte, mevcut memristif cihazlar tipik olarak düşük üretim verimi ve güvenilmez elektronik performansa sahip yeni teknolojilere dayanmaktadır. Bu zorlukların üstesinden gelmeye yardımcı olmak için İsrail ve Çin’deki araştırmacılar standart bir CMOS üretim hattı kullanarak memristif cihazlar ürettiler. Ekibin ürettiği silikon sinapslar, sinir ağlarındaki en temel işlem olan çarpma-biriktirme işlemleri söz konusu olduğunda, yüksek performanslı bir Nvidia Tesla V100 grafik işlem biriminden 170 ila 350 kat daha fazla enerji verimliliği ile yüzde 100 verime sahipti.
“Memristörler, düşük enerji tüketimli yapay zeka sağlamak için oldukça umut verici bir yol.”
-Damien Querlioz, Université Paris-Saclay
Bilim insanları yeni cihazları ticari flash belleklerde kullanılan kayan geçit transistör teknolojisini kullanarak geliştirdiler. Geleneksel kayan geçitli transistörlerin üç terminali varken, yeni bileşenlerin sadece iki terminali var. Bu da üretim ve işletimi büyük ölçüde basitleştirmiş ve boyutlarını küçültmüştür. Hayfa’daki Technion-İsrail Teknoloji Enstitüsü’nde elektrik ve bilgisayar mühendisliği doçenti olan çalışmanın kıdemli yazarı Shahar Kvatinsky, memristörlerin yalnızca ikili giriş ve çıkışlara sahip olduğunu, böylece nöromorfik donanımlarda sıklıkla kullanılan büyük, enerji tüketen analog-dijital ve dijital-analog dönüştürücülere olan ihtiyacı ortadan kaldırdığını söylüyor.
Yeni cihazlar, voltaj darbeleri kullanarak 100.000’den fazla programlama ve silme döngüsünden sonra çalışarak yüksek dayanıklılık gösterdi. Buna ek olarak, cihazdan cihaza sadece orta düzeyde değişim gösterdiler ve 10 yıldan daha uzun veri saklama sürelerine sahip oldukları tahmin ediliyor.
Araştırmacılar, sadece ikili sinyaller kullanarak çalışan bir tür sinir ağını uygulamak için bu bileşenlerin yaklaşık 150’sinden oluşan bir dizi kullandılar. Deneylerde, el yazısı rakamları yaklaşık yüzde 97 doğrulukla tanıyabildi. Kvatinsky bu çalışmanın “sadece bir başlangıç olduğunu, bütünleşik bir çip ya da büyük bir sinir ağı değil, bir kavram kanıtı olduğunu” söylüyor. Entegrasyon ve ölçek büyütme büyük bir zorluk.”
Bir başka çalışmada, Fransız araştırmacılardan oluşan bir ekip, Bayesian muhakemesi olarak bilinen istatistiksel hesaplama tekniği için memristörlerin kullanımını araştırdı; bu teknikte önceki bilgiler, belirsiz bir seçimin doğru olma olasılığını hesaplamaya yardımcı oluyor. Elde edilen sonuçlar, neredeyse anlaşılmaz olan pek çok yapay zeka hesaplamasının aksine tamamen açıklanabilir niteliktedir ve önceki uzman bilgisini dahil edebildiği için mevcut verilerin az olduğu durumlarda iyi performans gösterebilir. Ancak, CNRS, Université Paris-Saclay’de araştırmacı bilim insanı olan çalışma yazarlarından Damien Querlioz, “Bayesçi muhakemenin memristörlerle nasıl hesaplanacağı açık değil” diyor.
Her iki çalışmaya da katılmayan Zürih’teki Nöroenformatik Enstitüsü’nden nöromorfik bilimci Melika Payvand, geleneksel elektronikler kullanarak Bayesian muhakemesini uygulamanın, “gözlem sayısıyla katlanarak artan” karmaşık bellek modelleri gerektirdiğini söylüyor. Ancak Querlioz ve meslektaşlarının “bunu basitleştirmenin bir yolunu bulduklarını” belirtiyor.
Memristor AI “yüksek belirsizliğin olduğu, az verinin mevcut olduğu ve açıklanabilir kararların gerekli olduğu güvenlik açısından kritik durumlarda mükemmeldir.”
-Damien Querlioz, Université Paris-Saclay
Bilim insanları, bir memristör dizisinin rastgelelikten yararlanan istatistiksel analizler yapabilmesi için Bayes denklemlerini yeniden yazdılar, diğer bir deyişle “stokastik hesaplama”. Bu yaklaşımı kullanarak dizi, saatin her tikinde yarı rasgele bit akışları üretti. Bu bitler genellikle sıfırdı ama bazen de bir oluyordu. Sıfırların birlere oranı, dizinin gerçekleştirdiği istatistiksel hesaplamalar için gereken olasılıkları kodluyordu. Bu dijital strateji, stokastik olmayan yöntemlere kıyasla nispeten basit devre kullanır ve tüm bunlar sistemin boyutunu ve enerji taleplerini azaltır.
Araştırmacılar, aynı çip üzerinde 30.080 CMOS transistörün üzerine 2.048 hafniyum oksit memristör içeren bir prototip devre ürettiler. Deneylerde, yeni devrenin bir kişinin el yazısıyla attığı imzayı tanımasını sağladılar.
Bayes muhakemesinin geleneksel elektronik cihazlarda genellikle hesaplama açısından pahalı olduğu düşünülür. Querlioz, yeni devrenin geleneksel bir bilgisayar işlemcisinin 1/800’ü ila 1/5.000’i kadar enerji kullanarak el yazısı tanıma işlemini gerçekleştirdiğini ve “memristörlerin düşük enerji tüketimli yapay zeka sağlamak için oldukça umut verici bir yol olduğunu” öne sürdüğünü söylüyor.
Yeni cihaz aynı zamanda anında açılıp kapanabiliyor, bu da güç tasarrufu sağlamak için yalnızca ihtiyaç duyulduğunda çalışabileceğini gösteriyor. Araştırmacılar ayrıca, rastgele olaylardan kaynaklanan hatalara karşı da dirençli olduğunu ve bu sayede aşırı ortamlarda kullanışlı hale geldiğini söylüyor. Sonuç olarak Querlioz, yeni devrenin “yüksek belirsizliğin olduğu, az verinin mevcut olduğu ve açıklanabilir kararların gerekli olduğu güvenlik açısından kritik durumlarda mükemmel olduğunu” söylüyor. “Örnek olarak tıbbi sensörler veya endüstriyel tesislerin güvenliğini izlemeye yönelik devreler verilebilir.”
Payvand, Bayes devreleri için gelecekteki bir yönelimin, otonom araçlar veya dronları içerebilecek birden fazla duyusal veri türünü toplayan makineleri içerebileceğini söylüyor. Payvand, makinenin bir duyuya dayanarak yaptığı tahminlerden emin olmaması durumunda, farklı bir duyudan gelen verileri analiz ederek güvenini artırabileceğini belirtiyor.
Payvand, Bayes sistemlerinin karşılaştığı önemli bir engelin “daha büyük sorunlara veya ağlara ölçeklenebilirlikleri” olduğu konusunda uyarıyor. Querlioz, ekibin “şu anda üretilmekte olan” cihazlarının önemli ölçüde ölçeklendirilmiş bir versiyonunu tasarladığını belirtiyor. Devrelerinin şu anda belirli Bayesian hesaplama türleri için özelleştiğini ve gelecekte daha uyarlanabilir tasarımlar oluşturmak istediklerini belirtiyor.
Her iki çalışma da bir dereceye kadar rastgeleliği kullanıyor: Querlioz ve meslektaşları bunu istatistiksel analiz için kullanırken, Kvatinsky ve meslektaşları sinir ağlarının verileri sınırlı sayıda örneklerken oluşabilecek hata türlerinden kaçınmak için rastgele aralıklarla örneklemesini sağlıyor.
Her iki çalışmada da yer almayan Hewlett Packard Labs’de kıdemli bir yapay zeka araştırma bilimcisi olan Giacomo Pedretti, “Bu yaklaşımlar memristör cihazlarının kalıtsal rastgeleliği ile çok iyi eşleşiyor” diyor. Pedretti, “masraflı dijital sözde rastgele sayı üreteçleri uygulamak yerine” kontrollü rastgelelik üretmek için bu elektroniklerin doğasında var olan gürültüyü kullanmayı denemenin “çok ilginç” olacağını söylüyor.
Her iki çalışma da 19 Aralık’ta Nature Electronics dergisinde yayınlandı.
Kaynak:
Yorum yazabilmek için oturum açmalısınız.