در یک کشف برجسته اخیر، پژوهشگرانی از دانشکده CEA-LETI دانشگاه آلپس گرنوبل، دانشگاه زوریخ و دانشگاه ETH زوریخ، روشی نوآورانه برای معماری مدارهای شبکه عصبی را معرفی کردهاند. مقاله فنی آنها به نام “موزائیک: محاسبه و مسیردهی در حافظه برای سامانههای نورومورفی شبکه عصبی مبتنی بر گزینههای تغییر وضع”، به یک معماری نو به نام موزائیک میپردازد که از مموریستورهای توزیعشده جهت مسیردهی و محاسبه اطلاعات کارآمد در شبکه عصبی با شیوه کار هستهای بهره میبرد.
این پژوهشگران با الهامگیری از اتصالات مغز انسان، از مفهوم گرافهای جهان کوچک بهره میبرند که به ویژگیهای تراکم محلی و دورگی جهانی مشخص میشوند. این اصل که در پروسه تکاملی گوناگون گونهها مشهود است، کلید مسیردهی اطلاعات کارآمد و قوی را در بر دارد. با این حال، ساختارهای شبکه عصبی مصنوعی فعلی توانایی بهرهبرداری کامل از مدلهای شبکه عصبی جهان کوچک را ندارند.
موزائیک این تفاوت را با معرفی یک معماری غیر فن فون نوآورانه پل سازی میکند که از محاسبه در حافظه و مسیردهی در حافظه با استفاده از مموریستورهای توزیعشده استفاده میکند. با پیادهسازی توپولوژیهای گراف جهان کوچک، موزائیک از قدرت شبکههای عصبی برای دستیابی به کارآیی بینظیر مسیردهی بهره میبرد. طراحی، ساخت و دموهای آزمایشی عناصر موزائیک نتایج قابل توجهی را ارائه میدهند، با استفاده از مموریستورهای یکپارچه با تکنولوژی CMOS ۱۳۰ نانومتری برش را میزند.
یکی از مهمترین یافتههای پژوهش آنها، کارایی بسیار برجسته موزائیک نسبت به پلتفرمهای سختافزاری شبکه عصبی آنتیک بوده است. تلاش برای حفظ پیوندها در ارتباطات مطمئن میکند که موزائیک در مسیردهی حداقل به یک مرتبه نسبت به دیگران پیشرفت کند. به طور قابل توجهی، همچنین، در حالی که در مسیردهی برتری دارد، موزائیک نیز دقت رقابتی در مجموعهای از معیارهای حافظه را ارائه میدهد.
علاوه بر این، موزائیک به سیستمهای گوشهای رویکردی مقیاسپذیر ارائه میدهد، که قدرت محاسبه مبتنی بر انفجار و مسیردهی در حافظه را بهرهبرداری میکند. با پتانسیل تغییردهی اطلاعات در سامانههای نورومورفی، موزائیک راه را برای برنامههای هوش مصنوعی کارآمد و قدرتمند فراهم میکند.
با پیشرفت سریع حوزه هوش مصنوعی، پژوهشهای انجام شده توسط این دانشمندان بینشگر، به یک دوره جدید از معماری مدارهای شبکه عصبی اشاره میکند. با پذیرفتن اصول شبکههای عصبی جهان کوچک، موزائیک بستر را برای بهبود کارآیی و عملکرد در مسیردهی اطلاعات فراهم میکند و محدودیتهای قابلیتهای هوش مصنوعی و یادگیری ماشین را به چالش میکشد.
The source of the article is from the blog oinegro.com.br