Odata cu dezvoltarea cipurilor de computer bazate pe siliciu si alte materiale semiconductoare, am asistat la o revolutie tehnologica in ultimele cateva decenii.
De-a lungul timpului, computerele s-au micsorat de la dimensiunea camerelor intregi la un singur cip. Aceasta tendinta a fost condusa de legea lui Moore, un termen folosit pentru a se referi la observatia facuta de Gordon Moore in 1965, care a prezis ca numarul de componente per cip integrat se va dubla la fiecare doi ani, ceea ce duce la calculatoare exponential mai rapide.
Dar cu calculatoare mai sofisticate, roboti, internetul lucrurilor (IoT) si masini inteligente, cerintele de calcul sunt doar in crestere, iar industria semiconductoarelor atinge limitele capacitatii sale de a miniaturiza cipuri de computer – nu poti decat in mod realist sa potriviti atat de multi tranzistori pe un cip!
Prin urmare, oamenii de stiinta informatic se indreapta catre un nou tip de arhitectura computerizata numita calcul neuromorfic, in care computerele sunt construite pentru a procesa informatii si a interactiona cu lumea ca creierul uman.
Acest domeniu de cercetare devine in mare masura din ce in ce mai popular si este pe deplin recunoscut ca primul pas in construirea hardware-ului pentru computere si sisteme de inteligenta artificiala. In acest explicator , ne aprofundam tot ce trebuie sa stiti despre acest domeniu in plina dezvoltare si ce inseamna acesta pentru viitorul informaticii.
Cum stocheaza si proceseaza creierul informatiile?
Inainte de a trece la dispozitivele neuromorfe si aplicatiile acestora, este mai bine sa introducem mai intai fenomenul biologic care a inspirat acest domeniu: plasticitatea sinaptica . Aceasta este capacitatea incredibila a creierului nostru de a se adapta si schimba ca raspuns la informatii noi. Pentru a intelege mai bine acest lucru, trebuie mai intai sa descriem mecanismele de baza ale modului in care functioneaza propriul nostru „centru de calcul”.
Neuronii sunt celulele mesager ale creierului. Toate sunt interconectate prin sinapse, care sunt puncte de jonctiune care le leaga intre ele intr-o retea expansiva prin care sunt transmise impulsuri electronice si semnale chimice. Ele interactioneaza intre ele prin „picuri”, care sunt impulsuri de tensiune scurte, lungi in milisecunde.
In timp ce memoria computerului este extinsa prin simpla adaugare a mai multor unitati de memorie, amintirile din creier sunt create prin conexiuni noi si consolidate intre neuroni. Cand doi neuroni devin mai puternic conectati, putem spune ca greutatea sinaptica a sinapsei de conectare a crescut. Creierul nostru are aproximativ 1012 neuroni care comunica intre ei prin ≈ 1015 sinapse. Aceste conexiuni si gradul de comunicare dintre ele se modifica in timp si in functie de numarul de stimuli sau varfuri primite, permitand creierului sa raspunda la un mediu in schimbare si sa creeze si sa stocheze memorie.
Aceasta capacitate este cheia pentru intelegerea a doua mecanisme principale din spatele plasticitatii sinaptice numite potentare si depresie , in care conexiunile dintre sinapse devin mai puternice sau mai slabe in timp, jucand un rol important in invatare si memorie. Acest lucru se poate intampla pe toate scalele de timp – de la secunde la ore sau mai mult.
Intuitiv, varfurile de frecventa mai inalta care apar, de exemplu, atunci cand se invata o noua abilitate, sunt asociate cu potentarea sau intarirea anumitor sinapse si, prin urmare, cu stabilirea memoriei pe termen lung. Pe de alta parte, stimulii cu frecventa mai joasa vor provoca o depresie si, prin urmare, o slabire a conexiunii (sau a greutatii sinaptice) la jonctiunea sinaptica corespunzatoare, similar cu uitarea a ceva invatat.
Aceasta este un pic de simplificare si trebuie remarcat ca potentarea si depresia nu depind doar de frecventa varfurilor, ci si de sincronizare. De exemplu, daca o sinapsa primeste varfuri de la mai multi neuroni in acelasi timp, greutatea sinaptica creste mult mai repede in comparatie cu varfurile care sosesc unul dupa altul.
Procesul este complicat si complex, iar cercetatorii au fost nevoiti sa fie creativi pentru a-l reproduce artificial.
Cum functioneaza un computer neuromorf?
Calculatoarele actuale sunt construite folosind arhitectura von Neumann, care functioneaza pe principii prezentate pentru prima data de Alan Turing in anii 1930. Aceasta configuratie necesita ca unitatile de procesare a datelor si de memorie sa fie pastrate separate, ceea ce duce la un blocaj de viteza, deoarece datele trebuie transferate de la una la alta, crescand inutil consumul de energie.
Calculatoarele neuromorfe, pe de alta parte, folosesc arhitecturi de cip care amesteca atat memoria, cat si procesarea in aceeasi unitate. La nivel hardware, acest lucru implica noi design-uri inovatoare si o gama larga de materiale, precum si noi componente de computer, iar domeniul este in explozie.
Indiferent daca folosesc materiale organice si anorganice, cercetatorii din intreaga lume incearca sa proiecteze si sa construiasca retele de neuroni artificiali si sinapse care imita plasticitatea creierului. Multe dintre calculatoarele neuromorfe la scara larga deja existente, cum ar fi TrueNorth de la IBM, BrainScales-2 si Loihi de la Intel folosesc tranzistori bazati pe tehnologia semiconductoare cu oxid de metal bine stabilita.
Tranzistorii sunt unul dintre cele mai comune blocuri electronice din calculatoarele von Neumann, dintre care exista sute de tipuri diferite, cele mai comune fiind tranzistorul cu efect de camp metal-oxid-semiconductor sau MOSFET pe scurt. In cadrul unui cip de calculator, acestia actioneaza in principal ca un comutator (si intr-o masura mai mica ca un amplificator) pentru curentii electrici. In acest fel, ele fie impiedica, fie permit trecerea unui curent, permitand fiecarui tranzistor sa existe intr-o stare de pornire sau oprire, care poate fi echivalata cu 1 sau 0 binar.
Acest principiu de lucru permite ca informatiile sa fie stocate si calculate foarte usor si de aceea celulele de memorie electronica si portile logice au devenit elementele de baza ale lumii noastre digitale. Cu toate acestea, semnalele electrice ale creierului nostru nu constau doar din 0 si 1. O conexiune intre sinapse, de exemplu, poate exista ca o varietate de „greutati” sau puncte forte.
Pentru a imita acest lucru intr-un computer neuromorf, au fost construite numeroase dispozitive in acest scop. Un tranzistor semiconductor specializat numit tranzistor sinaptic polimer a fost construit pentru a contine un „strat activ” care este responsabil pentru modularea semnalului intre unitati. Acest strat este de obicei realizat folosind un polimer conductor a carui compozitie precisa afecteaza conductanta si, prin urmare, semnalul de iesire.
Aplicarea unei tensiuni cu o frecventa specifica prin tranzistori are ca rezultat modificari ale stratului activ, producand fie depresiuni, fie o potentare a semnalului electric – similar cu varfurile de activitate din creier. Acest lucru declanseaza, in esenta, plasticitatea, in care informatiile numerice sunt codificate in varf, cum ar fi frecventa, momentul in care a avut loc, magnitudinea si forma. Valorile binare pot fi transformate in varfuri si invers, dar modul precis de a efectua aceasta conversie este inca un domeniu activ de studiu.
De asemenea, hardware-ul neuromorf nu se limiteaza doar la tranzistori – cercetatorii au raportat modalitati din ce in ce mai creative de a imita arhitectura creierului folosind componente artificiale, inclusiv memristori , condensatori, dispozitive spintronice si chiar cateva incercari interesante de a realiza calculul neuromorf folosind ciuperci .
Cum este programat un computer neuromorf?
Calculatoarele neuromorfe folosesc de obicei o retea neuronala artificiala (ANN) pentru a efectua sarcini de calcul. Printre numeroasele tipuri diferite de ANN, reteaua neuronala spiking (SNN) este deosebit de interesanta, deoarece se bazeaza pe neuroni artificiali care comunica intre ei prin semnale electrice numite „spikes” si incorporeaza timpul in modelele lor. Acest lucru da eficienta energetica a unor astfel de sisteme, deoarece neuronii artificiali nu sunt activi in mod constant, ci transmit informatii doar odata ce suma piroanelor primite atinge un anumit prag.
Inainte ca reteaua sa isi poata incepe operatiunile, trebuie mai intai programata sau, cu alte cuvinte, reteaua trebuie sa invete. Acest lucru se face prin furnizarea de date din care sa invete. In functie de tipul de ANN, metoda de invatare poate varia. Daca, de exemplu, sarcina retelei este sa identifice pisici sau caini in imagini, s-ar putea alimenta cu mii de imagini cu eticheta „pisica” sau „caine” pentru ca acesta sa poata identifica subiectul in mod independent in sarcinile viitoare. Identificarea necesita cantitati mari de calcule solicitante pentru a procesa culoarea fiecarui pixel din imagine.
Exista un numar mare de ANN si alegerea celei potrivite depinde de cerintele utilizatorului. SNN-urile, desi sunt interesante datorita consumului lor de energie mai scazut, sunt inca dificil de antrenat in general, in principal datorita dinamicii lor complexe a neuronilor si naturii nediferentiabile a operatiunilor cu varfuri.
Unde se utilizeaza calculul neuromorf?
Expertii prevad ca dispozitivele neuromorfe nu vor inlocui neaparat hardware-ul computerelor conventionale, dar vor adauga si vor completa mai ales atunci cand vine vorba de abordarea unor provocari tehnice specifice. Desi au existat rapoarte conform carora computerele neuromorfe sunt capabile sa modeleze logica booleana, care este un concept cheie in orice limbaj de programare folosit in prezent, sugerand ca computerele neuromorfe ar putea fi, de asemenea, capabile de calcul de uz general.
Oricum, calculul neuromorf va fi foarte interesant pentru disciplinele si aplicatiile in care creierul depaseste computerele clasice in ceea ce priveste eficienta energetica si timpii de calcul.
Acestea includ sarcini cognitive, cum ar fi recunoasterea audio sau a imaginilor, implementarea eficienta a inteligentei artificiale (AI), precum si oferirea de noi oportunitati pentru interfete creier-masina, robotica, detectie si asistenta medicala (pentru a numi cateva).
Mai sunt provocari de depasit, deoarece domeniul este inca relativ nou, dar popularitatea in crestere si noile modele inovatoare ale calculului neuromorf il fac un complement promitator pentru arhitecturile traditionale de computer.
