Британські вчені з Університету Лафборо розробили інноваційний нейроморфний чіп, який може значно знизити енергоспоживання у системах штучного інтелекту. Цей пристрій обробляє дані, які змінюються з часом, безпосередньо на апаратному рівні, що дозволяє обходитися без традиційного програмного забезпечення на класичних комп’ютерах.
Про це розповідає ProIT
Технологія на основі мемристора
Новий чіп, представлений у статті в журналі Advanced Intelligent Systems, побудовано на тонкоплівковому мемристорі з оксиду ніобію, що має складну структуру з випадковими нанопорами. Така архітектура дозволяє пристрою виконувати різноманітні обчислювальні завдання: від базових логічних операцій, таких як XOR, до розпізнавання зображень, прогнозування та реконструкції часових рядів.
В ході експериментів дослідники застосували модель Лоренца-63 — складний тривимірний хаотичний часовий ряд — та використовували три різні види хвиль часової напруги. Для навчання застосовувався шар зчитування, що працює на основі сигналів електричного струму. Тести продемонстрували високу точність як у прогнозуванні, так і у реконструкції даних.
“Використовуючи фізичні процеси замість повного покладання на програмне забезпечення, ми можемо значно зменшити енергоспоживання для таких завдань”.
Потенціал масштабування та універсальність
Дослідницька команда наголошує на масштабованості технології: пристрої можуть бути інтегровані у більші системи на одному кристалі, відкриваючи можливості для створення енергоефективної нейроморфної електроніки, здатної обробляти складні часові сигнали. Чіп дозволяє подавати часові дані у лінійну комп’ютерну модель, що дає змогу виявляти закономірності й робити короткострокові прогнози. Система була успішно протестована на розпізнаванні пікселізованих чисел, виконанні логічних операцій і роботі з часовими рядами.
За словами розробників, застосування фізичних принципів, подібних до роботи людського мозку, допомогло створити складні фізичні зв’язки у штучній нейронній мережі.
В результаті пристрій може виконувати завдання з енергоспоживанням, що до 2000 разів менше порівняно зі стандартними програмними підходами, що робить його перспективним для масштабування та застосування у майбутніх ШІ-системах.