USC Viterbi Mühendislik Okulu ve İleri Hesaplama Okulu’ndaki bilim adamları, gerçek beyin hücrelerinin karmaşık elektrokimyasal davranışlarını kopyalayan yapay nöronlar yarattılar. Yayınlanan keşifler Doğa ElektroniğiBu, insan beynini taklit eden donanım tasarlayan bir alan olan nöromorfik hesaplamada önemli bir dönüm noktasına işaret ediyor. Bu ilerleme, çip boyutunu büyüklük sıralarına göre küçültebilir, güç tüketimini önemli ölçüde azaltabilir ve yapay zekayı yapay genel zekaya yaklaştırabilir.
Yalnızca matematiksel modeller yoluyla beyin aktivitesini simüle eden önceki dijital işlemcilerin veya nöromorfik çiplerin aksine, bu yeni nöronlar, gerçek nöronların çalışma şeklini fiziksel olarak yeniden üretiyor. Doğal beyin aktivitesinin kimyasal sinyaller tarafından tetiklenmesi gibi, bu yapay versiyonlar da hesaplama süreçlerini başlatmak için gerçek kimyasal etkileşimleri kullanıyor. Bu, onların sadece sembolik temsiller değil, biyolojik aktivitenin gerçek yeniden yaratımları olduğu anlamına gelir.
Yeni bir beyin benzeri donanım sınıfı
USC Elektrik ve Bilgisayar Mühendisliği Bölümü’nde profesör olan Joshua Yang tarafından yürütülen araştırma, onun on yıldan uzun bir süre önce yapay sinapslar üzerine yaptığı öncü çalışmalara dayanıyor. Ekibin yeni yaklaşımı, “yaygın memristör” adı verilen bir cihaza odaklanıyor. Bulguları, bu malzemelerin geleneksel silikon bazlı elektronikleri tamamlayan ve geliştiren yeni nesil çiplere nasıl yol açabileceğini açıklıyor. Silikon sistemleri hesaplamaları gerçekleştirmek için elektronlara güvenirken, Young’ın dağınık memristörleri atomların hareketini kullanarak biyolojik nöronların bilgiyi iletme biçimine benzeyen bir süreç yaratıyor. Sonuç, bilgiyi beyin gibi işleyen ve potansiyel olarak yapay genel zekanın (AGI) yolunu açan daha küçük, daha verimli çipler olabilir.
Beyinde hem elektriksel hem de kimyasal sinyaller sinir hücreleri arasındaki iletişimi sağlar. Bir elektriksel uyarı, sinaps adı verilen bir nöronun sonuna ulaştığında, bilgiyi bir sonraki nörona iletmek için kimyasal bir sinyale dönüştürülür. Bu sinyal bir kez alındıktan sonra tekrar nöron boyunca dolaşan elektriksel bir darbeye dönüştürülür. Yang ve meslektaşları bu karmaşık süreci cihazlarında etkileyici bir hassasiyetle kopyaladılar. Tasarımlarının en büyük avantajı, her bir yapay nöronun tek bir transistörün alanına sığması, eski tasarımların ise düzinelerce, hatta yüzlerce gerektirmesidir.
Biyolojik nöronlarda iyon olarak bilinen yüklü parçacıklar, sinir sistemi aktivitesini mümkün kılan elektriksel uyarıların üretilmesine yardımcı olur. İnsan beyni bunun gerçekleşmesi için potasyum, sodyum ve kalsiyum gibi iyonlara bağlıdır.
Beyin dinamiklerini yeniden yaratmak için gümüş iyonlarını kullanma
Aynı zamanda USC Nöromorfik Hesaplama Mükemmeliyet Merkezi’ni de yöneten Yang, yeni çalışmada, doğal beyin aktivitesini taklit eden elektrik darbeleri üretmek için oksit malzemelere gömülü gümüş iyonlarını kullandı. Öğrenme, hareket ve planlama gibi temel süreçleri içerir.
Yang, “Sinapslarımız ve yapay nöronlarımızdaki iyonlar tam olarak aynı olmasa da, iyonların hareketini ve dinamiklerini yöneten fizik çok benzer” dedi.
Yang, “Gümüşün dağılması kolaydır ve bize biyosistemleri simüle etmek için ihtiyaç duyduğumuz dinamikleri verir, böylece nöronların işlevini çok basit yapılarla gerçekleştirebiliriz” diye açıklıyor. Beyne benzer bir çipi mümkün kılan yeni cihaza, iyonların hareketi ve dinamik difüzyon sağlamak için gümüş kullanılması nedeniyle “yaygın memristör” adı veriliyor.
Ekibin yapay zekaya sahip bir sistem oluşturmak için iyon dinamiklerini kullanmayı seçtiğini ekledi, “çünkü bunun insan beyninde gerçekleşmesinin iyi bir nedeni var ve insan beyni, ‘evrimin galibi, en verimli akıllı motordur’.”
Yang, “Daha verimli” dedi.
Yapay zeka neden bir donanım verimliliği meselesidir?
Yang, modern bilgisayarların sorununun güç eksikliği değil verimsizlik olduğunu söylüyor. “Bu, çiplerimizin ya da bilgisayarlarımızın yaptıkları her şey için yeterince güçlü olmamasından değil. Yeterince verimli olmamalarından kaynaklanıyor. Çok fazla enerji tüketiyorlar” diye açıklıyor. Günümüzün büyük ölçekli yapay zeka sistemlerinin büyük veri kümelerini işlemek için tükettiği enerji miktarı göz önüne alındığında bu özellikle önemlidir.
Yang, beynin aksine, “mevcut bilgi işlem sistemlerimizin hiçbir zaman büyük miktarda veriyi işlemesi veya kendi birkaç örneğimizden öğrenmesi amaçlanmamıştır. Öğrenmenin hem gücünü hem de verimliliğini artırmanın bir yolu, beyinde gözlemlenen ilkelere göre çalışan yapay sistemler yaratmaktır.”
Saf hız arıyorsanız, modern bilgisayarlar tarafından desteklenen elektronlar daha hızlı işlemler için en iyisi olacaktır. Ancak şöyle açıklıyor: “İyonlar, beyin prensiplerini somutlaştırmak için elektronlardan daha iyi bir ortamdır. Elektronlar hafif ve uçucu olduğundan, onlarla hesaplama yapmak, beynin çalışma şeklinden temelde farklı olan donanım tabanlı öğrenme yerine yazılım tabanlı öğrenmeye izin verir.”
Bunun yerine, “Beyin, iyonları zar boyunca hareket ettirerek, doğrudan donanımın içinde uyarlanabilir, enerji verimli öğrenmeyi veya daha doğrusu insanların ‘ıslak yazılım’ olarak adlandırabileceği şeyi başararak öğrenir” diyor.
Örneğin, küçük bir çocuk el yazısıyla yazılan rakamları her birinden yalnızca birkaç örnek gördükten sonra tanımayı öğrenebilirken, bir bilgisayarın aynı görevi gerçekleştirmek için genellikle binlerce kişiye ihtiyacı vardır. Ancak insan beyni bu olağanüstü başarıya, günümüzün süper bilgisayarlarının gerektirdiği megawatt’lara kıyasla yalnızca 20 watt’lık güç tüketerek ulaşıyor.
Olası sonuçlar ve sonraki adımlar
Yang ve ekibi bu teknolojiyi doğal zekanın kopyalanmasına yönelik önemli bir adım olarak görüyor. Ancak bu deneylerde kullanılan gümüşün henüz standart yarı iletken üretim süreçleriyle uyumlu olmadığını da kabul ediyor. Gelecekteki çalışmalar benzer etkilere ulaşabilecek diğer iyonik malzemeleri araştıracak.
Difüzör memristörleri hem güç hem de boyut açısından verimlidir. Tipik bir akıllı telefonda, her biri hesaplamaları gerçekleştirmek için açılıp kapanan milyarlarca transistör içeren yaklaşık on çip bulunabilir.
“Bunun yerine (bu yenilikle), her nöron için yalnızca bir transistör ayak izi kullanıyoruz. Sonuçta bizi çip boyutunu büyüklük sırasına göre küçültmeye, güç tüketimini büyüklük sırasına göre azaltmaya yönlendiren yapı taşları tasarlıyoruz, böylece güç seviyeleri olmadan yakamayacağımız yapay zekanın gelecekte sürdürülebilir olabilmesi için.” Genç.
Artık yetenekli ve kompakt yapı taşlarını, sinapsları ve yapay nöronları gösterdiğimize göre, bir sonraki adım bunlardan çok sayıda bir araya getirmek ve beynin fonksiyonlarını ve yeteneklerini ne ölçüde kopyalayabileceğimizi test etmektir. Yang, “Daha da heyecan verici olan, beyne bu kadar sadık olan sistemlerin, beynin nasıl çalıştığına dair yeni anlayışlar keşfetmemize yardımcı olma ihtimali” dedi.