• Ağustos 3, 2022

MIT’nin yeni sinapsı insan beynindeki sinapslardan 1 milyon kat daha hızlı

MIT’nin yeni sinapsı insan beynindeki sinapslardan 1 milyon kat daha hızlı

MIT’nin yeni analog sinapsı insan beynindeki sinapslardan 1 milyon kat daha hızlı. Yeni donanım, çok daha az enerji ile yapay zeka için daha hızlı hesaplama sağlıyor.

“Analog derin öğrenme” üzerinde çalışan MIT mühendisleri, protonları katı maddelerden benzeri görülmemiş hızlarda ilerletmenin bir yolunu buldu. Araştırmacılar makine öğreniminin sınırlarını zorlarken, her zamankinden daha karmaşık sinir ağı modellerini eğitmek için gereken zaman, çaba ve paradan tasarruf ediliyor.

Yapay zekanın yeni bir dalı olan analog derin öğrenme, enerji kullanımının sadece bir kısmı ile daha hızlı işlem yapmayı vaat ediyor.

Tıpkı transistörlerin dijital işlemciler oluşturmak için temel unsurlar olması gibi, programlanabilir dirençler de analog derin öğrenmenin temel yapı taşlarıdır. Bilim insanları, karmaşık katmanlarda programlanabilir direnç dizilerini tekrarlayarak, tıpkı bir dijital sinir ağı gibi hesaplamaları yürüten bir analog yapay “nöronlar” ve “sinapslar” ağı oluşturabilirler. Bu ağ daha sonra doğal dil işleme ve görüntü tanıma gibi karmaşık yapay zeka görevlerini gerçekleştirmek için eğitilebilir.

MIT’den bir araştırmacı ekibi, daha önce geliştirdikleri bir tür insan yapımı analog sinapsın hız sınırlarını zorlamak için yola çıktı. İmalat sürecinde, cihazlarının önceki versiyonlardan 1 milyon kat daha hızlı çalışmasını sağlayan pratik bir inorganik malzeme kullandılar. MIT’nin yeni analog sinapsı insan beynindeki sinapslardan yaklaşık 1 milyon kat daha hızlı.

Ayrıca, bu inorganik malzeme, direnci inanılmaz derecede enerji verimli hale getiriyor. Cihazlarının önceki versiyonunda kullanılan malzemelerin aksine, yeni malzeme silikon üretim teknikleriyle uyumlu. Cihazların nanometre ölçeğinde üretilmesini mümkün kılan bu değişiklik derin öğrenme uygulamaları için ticari bilgi işlem donanımına entegrasyonun yolunu açabilir.

Araştırmanın yazarlarından Jesús A., “MIT.nano’da sahip olduğumuz bu temel anlayış ve çok güçlü nanofabrikasyon teknikleri ile bu parçaları bir araya getirebildik ve bu cihazların özünde çok hızlı olduğunu ve makul voltajlarla çalıştığını gösterebildik” diyor. MIT Elektrik Mühendisliği ve Bilgisayar Bilimleri (EECS) Bölümü Profesörü Del Alamo ise “Bu çalışma, bu cihazları gelecekteki uygulamalar için gerçekten umut verici göründükleri bir noktaya getirdi.” dedi.

Araştırmanın baş yazarı ve MIT doktora sonrası araştırmacısı Murat Önen, “Bir analog işlemciye sahip olduğunuzda, artık herkesin üzerinde çalıştığı ağları eğitmiş olmayacaksınız. Başka hiç kimsenin karşılayamayacağı, benzeri görülmemiş karmaşıklıklara sahip ağları eğiteceksiniz ve bu nedenle hepsinden çok daha iyi performans göstereceksiniz. Başka bir deyişle, bu daha hızlı bir araba değil, bu bir uzay aracı,” diye ekliyor.

Bu programlanabilir dirençler, bir sinir ağının eğitilme hızını büyük ölçüde artırırken, bu eğitimi gerçekleştirmek için maliyeti ve enerjiyi büyük ölçüde azaltır. Bu, araştırmacıların derin öğrenme modellerini çok daha hızlı geliştirmelerine yardımcı olabilir ve bu modeller daha sonra sürücüsüz arabalar, dolandırıcılık tespiti veya tıbbi görüntü analizi gibi kullanımlarda uygulanabilir.

Derin öğrenmeyi hızlandırma

Analog derin öğrenme, iki temel nedenden dolayı dijital emsalinden daha hızlı ve enerji açısından daha verimlidir. “İlk olarak, hesaplama bellekte gerçekleştirilir, bu nedenle çok büyük miktarda veri bellekten bir işlemciye ileri geri aktarılmaz.” Analog işlemciler de paralel olarak işlemler gerçekleştirir. Matris boyutu genişlerse, tüm hesaplamalar aynı anda gerçekleştiğinden, bir analog işlemcinin yeni işlemleri tamamlamak için daha fazla zamana ihtiyacı yoktur.

MIT’nin yeni analog işlemci teknolojisinin temel unsuru, protonik programlanabilir direnç olarak bilinir. Nanometre cinsinden ölçülen bu dirençler (bir nanometre metrenin milyarda biridir), satranç tahtası gibi bir dizi halinde düzenlenmiştir.

İnsan beyninde öğrenme, sinaps adı verilen nöronlar arasındaki bağlantıların güçlenmesi ve zayıflaması nedeniyle gerçekleşir. Derin sinir ağları, ağ ağırlıklarının eğitim algoritmaları aracılığıyla programlandığı bu stratejiyi uzun süredir benimsemiştir. Bu yeni işlemci durumunda, protonik dirençlerin elektriksel iletkenliğini artırmak ve azaltmak, analog makine öğrenmesini sağlar.

Araştırma Science dergisinde yayınlandı.