توسعه مدارهای سه‌بعدی با الگوبرداری از مغز انسان
به گزارش کارگروه فناوری اطلاعات سایبربان؛ پژوهشگران دانشگاه MIT و اداره اطلاعات آزمایشگاه تحقیقاتی نیروی هوایی آمریکا به تازگی اعلام کردند موفق به ساخت مدار محاسباتی 3 بعدی شده‌اند. از این تراشه می‌توان برای توسعه الگوریتم‌های یادگیری ماشینی پیچیده مانند شبکه‌های عصبی هم‌گشتی (convolutional neural network) بهره گرفت. این قطعه 3 بعدی از 8 لایه تشکیل شده است. اجزا الکترونیکی که جریان الکتریکی موجود در یک مدار را تنظیم کرده و شبکه عصبی را مستقیماً روی سخت‌افزار قرار می‌دهند.
چنگفی شیا (Qiangfei Xia)، یکی از محققان پروژه بالا گفت:
ما در گذشته یک مقاومت حافظه‌دار (memristive device) را تولید کردیم که بیشتر نیازهای محاسباتی حافظه را برای شبکه‌های عصبی مصنوعی تأمین می‌کند. این ابزار امکان ایجاد مدارهای 2 بعدی مجهز به هوش مصنوعی را فراهم می‌کرد. همچنین در تحقیقات فعلی خود ما تصمیم گرفتیم که دستاورد خود را در محیطی 3 بعدی توسعه دهیم تا از مزایای یک شبکه عصبی 3 بعدی بهره‌مند شویم.
شیا و گروهش موفق به توسعه مدار 3 بعدی 8 لایه‌ای شدند که هرکدام آن‌ها توانایی انجام پردازش دارند. این مدارها تفاوت‌ها بسیاری نسبت به فلش‌های «3-D NAND» دارند؛ زیرا هر لایه از فلش‌های یاد شده وظیفه مختلفی را بر عهده دارد. برای مثال یک لایه تنها محاسبات را انجام داده و لایه‌ای دیگر نقش حسگر را ایفا می‌کند.
پنگ لین (Peng Lin)، یکی دیگر از پژوهشگران طرح یاد شده توضیح داد:
یکی از چالش‌های اصلی که در گذشته به منظور توسعه مدارهای محاسباتی چند لایه با آن مواجه بودیم، این بود که به غیر از مقاومت حافظه‌دار، ابزار دیگری وجود نداشت که در این ساختار بتواند پایدار باقی بماند. برای مثال در فناوری سیموس (CMOS) که بر پایه سیلیکون است که پایه‌ای برای توسعه تراشه‌های محاسباتی به حساب می‌آیند، به کریستال‌های تک لایه وابسته هستند و امکان استفاده از آن‌ها در طراحی مدارهای 3 بعدی وجود ندارد.
با وجود همه مزایای مقاومت حافظه‌دار، پژوهشگران همچنان نتوانسته‌اند از راه‌کار خود برای ایجاد سخت‌افزاری که می‌تواند محاسبات بزرگ‌مقیاس را انجام دهد، استفاده کنند.
لین ادامه داد:
یکی از چالش‌های اصلی ایجاد آرایه‌هایی از مقاومت‌های حافظه‌دار در مدارهای 3 بعدی دخالت سلول به سلول است که از آن با عنوان مشکل سرقت مسیر (sneak path problem) یاد می‌شود. این موضوع به علت اتصالات منفعل میان مقاومت‌های یاد شده به وجود می‌آید. در معماری دو بعدی می‌توان با استفاده از یک ترانزیستور به عنوان ابزار انتخاب، این چالش را برطرف کرد؛ اما این راه‌کار در نمونه‌های 3 بعدی عملیاتی نیست. به همین دلیل امکان ایجاد شبکه 3 بعدی کاملاً متصل و بزرگ وجود ندارد.
محققان برای رفع چالش یاد شده روی توسعه نمونه‌های 3 بعدی با توان پردازش‌های عظیم تمرکز کرده‌اند که از توپولوژی منحصر به فردی بهره می‌برد. در این راه‌کار اتصالات به صورت محلی صورت گرفته است؛ بنابراین هر یک از مقاومت‌های حافظه‌دار، الکترودها را تنها با تعداد کمی از ابزارهای مجاور خود به اشتراک می‌گذارند. مشکل سرقت مسیر را برطرف کرده و امکان انجام پردازش‌های عظیم را فراهم می‌آورد.
به علاوه راه‌کار اتصالت محلی برای پیاده‌سازی و شبیه‌سازی شبکه‌های عصبی هم‌گشتی مناسب به نظر می‌رسد؛ زیرا در شبکه عصبی واقعی نیز هر نورون تنها با تعداد محدودی از نورون‌های پیرامون خود در ارتباط است و به همین روش محاسبات پیچیده را انجام می‌دهد.
محققان برای آزمایش دستاورد خود و بررسی کارآمدی پردازش موازی، یک شبکه عصبی تشخیص الگو را روی آن پیاده‌سازی کردند. نتایج نشان داد این فناوری می‌تواند با دقتی 98 درصدی الگوهای دیجیتالی را شناسایی کند. همچنین به کمک این سخت‌افزار توانستند لبه‌های اشیا متحرک موجود در ویدئوها را شناسایی کنند.
لین شرح داد: آن‌ها باور دارند که طراحی یاد شده فرصت‌های بزرگی را برای ساخت سخت‌افزار محاسباتی عصبی به وجود می‌آورد. به کمک این دستاورد ممکن است حتی بتوان سامانه‌هایی که مشابه انسان‌ها فکر می‌کنند را نیز توسعه داد.
شیا افزود:
ما در نظر داریم شبکه‌های عصبی 3 بعدی را با آرایه‌های حسگرها ادغام کنیم. این اقدام امکان به تغذیه شبکه عصبی با داده‌های دو بعدی را –به جای بردارهای تک بعدی- فراهم می‌کند. ما همچنین اطلاعات آنالوگ را مستقیماً در مدارهای مجتمع پردازش خواهیم کرد. این تحقیقات در نهایت باعث بهبود کارایی پردازش داده‌ها خواهد شد.
