به گزارش سرویس بین الملل سیتنا، بر اساس گزارش اخیر آژانس بین‌المللی انرژی (IEA)، تا سال ۲۰۲۶ مصرف مراکز داده‌ها، هوش مصنوعی و ارزهای دیجیتال می‌تواند به دو برابر سطح ۲۰۲۲ برسد.

این سازمان برآورد می‌کند که در سال ۲۰۲۶ مصرف انرژی توسط این سه بخش می‌تواند تقریباً معادل نیاز انرژی سالانه ژاپن باشد.

شرکت‌هایی مانند انویدیا - که تراشه‌های کامپیوتری آن‌ها زیربنای اکثر برنامه‌های کاربردی هوش مصنوعی امروزی است - در حال کار بر روی توسعه سخت‌افزارهای کارآمدتر در مصرف انرژی هستند.

اما آیا انتخاب شیوه‌های جایگزین می‌تواند به ساخت رایانه‌هایی با نوع معماری متفاوت منجر شود که از نظر انرژی کارآمدتر خواهند بود؟

برخی از شرکت‌های دست اندرکار چنین نظری دارند و ساختار و عملکرد یک عضو طبیعی را به کار گرفته‌اند که مصرف انرژی آن کسری از قدرت یک رایانه معمولی برای انجام سریعتر عملیات بیشتر است: یعنی مغز.

در محاسبات نورومورفیک، دستگاه‌های الکترونیکی نورون‌ها و سیناپس‌ها را تقلید می‌کنند. آنها به گونه‌ای به هم وصل می‌شوند که به شبکه الکتریکی مغز شبیه است.

این رویکرد پدیده‌ای جدید نیست – پژوهشگران از دهه ۱۹۸۰ روی این روش کار کرده‌اند.

اما انرژی مورد نیاز ناشی از انقلاب هوش مصنوعی فشار را برای ورود این فناوری نوپا به دنیای واقعی افزایش می‌دهد.

سیستم‌ها و پلتفرم‌های فعلی در این زمینه عمدتا به‌عنوان ابزارهای پژوهشی مورد استفاده قرار می‌گیرند، اما طرفداران این روش می‌گویند که آنها می‌توانند در بهره‌وری انرژی دستاوردهای بزرگی داشته باشند.

در میان کسانی که در این زمینه دارای جاه‌طلبی تجاری هستند می‌توان به غول‌های سازنده سخت افزار مانند اینتل و آ‌ی‌بی‌ام اشاره کرد.

تعداد انگشت شماری از شرکت‌های کوچکتر نیز در این صحنه حضور دارند.

دان هاچسون، تحلیلگر شرکت تکنلسایتس، می‌گوید: «امتیاز اصلی در انتظار شرکتی است که بتواند این موضوع را کشف کند. و این امتیاز به گونه‌ای است که می‌تواند قاتل انویدیا باشد.»

در ماه مه، اسپین‌ان‌کلاود سیستمز - یکی از شاخه‌های دانشگاه فناوری درسدن - اعلام کرد که فروش ابررایانه‌های نورومورفیک را برای اولین بار آغاز کرده و در حال دریافت پیش‌سفارش برای آن است.

هکتور گونزالس، مدیر اجرایی این موسسه می‌گوید: «ما پیشاپیش سایر شرکت‌ها به تجاری‌سازی ابررایانه‌های نورومورفیک رسیده‌ایم.»

تونی کنیون، استاد مواد نانوالکترونیک و نانوفتونیک در یونیورسیتی کالج دانشگاه لندن که در این زمینه کار می‌کند، می‌گوید: «این یک پیشرفت قابل توجه است.»

او می‌افزاید: «در حالیکه هنوز یک برنامه نهایی وجود ندارد ... بسیاری از زمینه‌ها در دسترس است که محاسبات نورومورفیک را به دستاوردهای قابل توجهی در افزایش بهره‌وری انرژی و عملکرد کامپیوتری تبدیل می‌کند و من مطمئن هستم که همزمان با رشد این فناوری، ما شروع به پذیرش گسترده این فناوری خواهیم کرد.»

محاسبات نورومورفیک طیف وسیعی از رویکردها را در بر می‌گیرد - از یک رویکرد ساده‌تر ملهم از کارکرد مغز، تا شبیه‌سازی تقریبا کامل مغز انسان (که ما در واقع به آن نزدیک نیستیم).

اما برخی از ویژگی‌های مرتبط با طراحی اساسی در آن وجود دارد که آن را از کارکرد کامپیوتری رایج متمایز می‌کند.

در درجه اول، برخلاف کامپیوترهای معمولی، کامپیوترهای نورومورفیک حافظه و واحدهای پردازش جداگانه ندارند. در عوض، این نقش‌ها با هم روی یک تراشه در یک مکان واحد انجام می‌شود.

پروفسور کنیون خاطرنشان می‌کند که حذف این نیاز به انتقال داده‌ها بین این دو، انرژی مورد نیاز را کاهش می‌دهد و زمان پردازش را سرعت می‌بخشد.

همچنین یک رویکرد رویداد-محور به محاسبات کامپیوتری می‌تواند رایج باشد.

بر خلاف محاسبات معمولی که در آن هر بخش از سیستم همیشه روشن و برای برقراری ارتباط با هر بخش دیگر همیشه در دسترس است، فعال‌سازی در محاسبات نورومورفیک می‌تواند پراکنده‌تر باشد.

سیستم‌های تقلیدی از نورون‌ها و سیناپس‌ها فقط در لحظه‌ای فعال می‌شوند که نیاز به برقراری ارتباط وجود داشته باشند، کمابیش به همان نحوی که بسیاری از نورون‌ها و سیناپس‌ها در مغز ما فقط زمانی فعال می‌شوند که دلیلی برای آن وجود داشته باشد.

به این ترتیب، پردازش داده‌ها فقط در زمانی که چیزی برای پردازش وجود دارد، باعث صرفه‌جویی در مصرف انرژی می شود.

و در حالیکه کامپیوترهای مدرن دیجیتال هستند – یعنی از اعداد ۱ یا ۰ برای نمایش داده‌ها استفاده می‌کنند - محاسبات نورومورفیک می‌تواند آنالوگ باشد.

از لحاظ تاریخی، این روش محاسبه بر سیگنال‌های پیوسته متکی است و می‌تواند در جایی که نیاز به تجزیه و تحلیل داده‌های دریافتی از بیرون است مفید واقع شود.

البته به خاطر سهولت بیشتر در عملیات، روش‌های نورومورفیک مورد نظر برای عرضه تجاری بر محاسبات دیجیتال مبتنی است.

فناوری با تمرکز بیشتر بر کاربرد تجاری

برنامه‌های تجاری پیش بینی شده به دو دسته اصلی تقسیم می‌شوند:

یک دسته، که اسپین‌ان‌کلاود بر آن تمرکز دارد، شامل یک پلتفرم کارآمدتر از لحاظ مصرف انرژی و دارای عملکرد بالاتر برای برنامه‌های هوش مصنوعی است.

این رویکرد از جمله با تجزیه و تحلیل تصویر و ویدیو، تشخیص گفتار و مدل‌های عمده زبان مرتبط است که چت‌بات‌ها مانند چت‌جی‌پی‌تی بر آنها مبتنی است.

مورد دیگر در برنامه‌های محاسبات اج یا «محاسبات لبه‌ای» است که در آنها داده‌ها نه در فضای ابری، بلکه در زمان واقعی در دستگاه‌های متصل به شبکه پردازش می‌شود.

اما این برنامه‌ها بر اساس محدودیت‌های انرژی کار می‌کنند. وسایل نقلیه خودران، ربات‌ها، تلفن‌های همراه و فناوری‌های پوشیدنی همگی می‌توانند از این برنامه‌ها استفاده کنند.

با این حال، چالش‌های فنی همچنان باقی است.

به طور کلی توسعه نرم افزار مورد نیاز برای اجرای تراشه‌ها یک مانع اصلی در مسیر پیشرفت محاسبات نورومورفیک محسوب می‌شود.

داشتن سخت افزار مهم است، اما برای کار کردن باید برایش برنامه‌نویسی شود و این مستلزم ایجاد یک سبک برنامه‌نویسی کاملاً متفاوت با رایانه های معمولی است.

هاچسون، که پیش‌بینی می‌کند برای محسوس شدن مزایای رویکرد نورومورفیک به حداقل یک دهه، اگر نگوییم دو دهه، زمان نیاز است، می‌گوید: «پتانسیل این دستگاه‌ها بسیار زیاد است... مشکل این است که چگونه آنها ساخته ‌شوند.»

در مورد هزینه نیز مسایل مهمی وجود دارد. پروفسور کنیون خاطرنشان می‌کند که ساخت تراشه‌های کاملا جدید چه از سیلیکون باشد، که پروژه‌های تجاری از آن استفاده می‌کنند و چه با مواد دیگر، بسیار گران است.

نمونه اولیه تراشه نورومورفیک فعلی اینتل، لویهی ۲ نام گرفته است.

در ماه آوریل، این شرکت اعلام کرد که ۱۱۵۲ تراشه از این نوع را برای ایجاد هلا پوینت گرد آورده که یک سیستم تحقیقاتی نورومورفیک در مقیاس بزرگ شامل بیش از ۱.۱۵ میلیارد نورون مصنوعی و ۱۲۸ میلیارد سیناپس مصنوعی است.

اینتل ادعا می‌کند که با ظرفیت نورونی تقریبا معادل مغز یک جغد، بزرگترین سیستم جهان از این نوع را تا به امروز طراحی کرده است.

در حال حاضر، برای اینتل، این سیستم هنوز یک طرح تحقیقاتی است.

مایک دیویس، مدیر آزمایشگاه محاسبات نورومورفیک اینتل می‌گوید: «هلا پوینت نشان می‌دهد که برای برنامه‌های کاربردی قابلیت استفاده واقعی وجود دارد.»

او می‌گوید که هلا پوینت که تقریبا به اندازه یک فر مایکروویو است دارای «پتانسیل تجاری» است و در حال حاضر، «پیشرفت سریعی» در زمینه نرم‌افزار آن در جریان است.

آی‌بی‌ام جدیدترین نمونه تراشه الهام گرفته از مغز را نورثپول نام داده است.

این تراشه که سال گذشته رونمایی شد، نوع تکامل یافته تراشه اولیه به نام ترونورث است.

دارمندرا مودها، پژوهشگر ارشد در زمینه محاسبات ملهم از مغز، می‌گوید: «آزمایش‌ها نشان می‌دهد که این تراشه در مصرف انرژی کارآمدتر، از نظر فضا بهینه‌تر و از هر تراشه موجود در بازار سریع‌تر است.»

او می‌افزاید که گروه تحت سرپرستی او اکنون در تلاش است تا نشان دهد تراشه‌ها را می توان در یک سیستم بزرگتر با هم مرتبط کرد.

او می گوید: «عرضه محصول به بازار مرحله بعدی است.»

دکترمودها خاطرنشان می کند که یکی از نوآوری های عمده در نورثپول این است که با نرم افزار به طور مشترک طراحی شده است تا بتوان از تمام قابلیت‌های معماری آن از همان ابتدا بهره‌برداری کرد.

سایر شرکت‌های نورومورفیک کوچکتر عبارتند از برینچیپ، سینسنس و اینارتا.

ابرکامپیوتر اسپین‌ان‌کلاود امکانات محاسبات نورومورفیک را به صورت تجاری عرضه می‌کند. این تجهیزات مشترکا توسط پژوهشگران در دانشگاه فناوری درسدن و دانشگاه منچستر بریتانیا تحت پوشش پروژه «مغز انسان» اتحادیه اروپا توسعه یافته است.

این پژوهش‌ها به ساخت دو ابررایانه نورومورفیک برای مقاصد پژوهشی منجر شده است: ماشین اسپین‌ناکر ۱ مستقر در در دانشگاه منچستر متشکل از بیش از یک میلیارد نورون که از سال ۲۰۱۸ عملیاتی شده است.

نسل دوم دستگاه اسپین‌ناکر۲ در دانشگاه فناوری درسدن در مرحله پیکربندی است و ظرفیت تقلید حداقل پنج میلیارد نورون را دارد.

به گفته گونزالس، سیستم‌های تجاری موجود که توسط اسپین‌ان‌کلاود عرضه می‌شوند می‌توانند به ظرفیت بالاتر حداقل ۱۰ میلیارد نورون برسند.

پروفسور کنیون می‌گوید که آینده متعلق به یکی از انواع مختلف پلتفرم‌های محاسباتی یعنی نوع مرسوم، نورومورفیک یا کوانتومی است که همه با هم کار می‌کنند. او می‌گوید که سیستم کوانتومی نوع جدیدی است که دستیابی به آن در آینده نزدیک پیش‌بینی‌ می‌شود.

انتهای پیام