Công Nghệ & Ứng Dụng

Thế hệ máy tính mới có khả năng học tập

Thế hệ máy tính mới có khả năng học tập

Wikicabinet – Kênh thông tin tri thức nhân loại kính chào quý độc giả ở kỳ trước chúng tôi đã giới thiệu các chủ đề về:

Thế hệ máy tính mới lấy cảm hứng từ não bộ

Kỳ này wikicabinet công nghệ & ứng dụng xin giới thiệu đến độc giả một chủ đề Thế hệ máy tính mới có khả năng học tập. Mời quý độc giả đón theo dõi chủ đề này cùng wikicabinet công nghệ & ứng dụng nhé!

Trong bộ nhớ chung, loại hiệu suất không chắc chắn này phải được tránh càng nhiều càng tốt. Tuy nhiên, trong một hệ thống thần kinh đa hình, khớp thần kinh sẽ dần dần thay đổi chức năng của mạng thần kinh mà nó có trong đó theo tín hiệu nhận được cụ thể, điều chỉnh phản ứng của hệ thống đối với các nhiệm vụ mới và không cần dùng đến quá trình nhân giống ngược rườm rà.

Vào năm 2015, tôi và các đồng nghiệp đã chứng minh rằng một hệ thống bao gồm bộ nhớ spintronics có thể học cách đếm số lượng xe trên đường cao tốc (với độ chính xác là 95%) hoặc nhận dạng các chữ số viết tay giống như các thuật toán trí tuệ nhân tạo thông thường. Đối với những tác vụ tương đối đơn giản này, hiệu suất của nó có thể so sánh với các kỹ thuật học mạng nơ-ron truyền thống hơn. (Và phương pháp sau cần mô phỏng nhiều khớp thần kinh hơn và tiêu tốn nhiều năng lượng hơn.) Nhưng đối với các nhiệm vụ phức tạp, chẳng hạn như đấu với các bậc thầy cờ vây, phương pháp mới này còn lâu mới có thể sánh được với các kỹ thuật truyền thống.

Ngoài ra, ngay cả khi chúng ta có thể triển khai các khớp thần kinh nhân tạo, lưu trữ thông tin trong chúng và cho phép chúng điều chỉnh phản ứng để mô phỏng tính dẻo và học tập của khớp thần kinh, một hệ thống thần kinh đa hình hoàn chỉnh cũng phải bao gồm các tế bào thần kinh thực hiện các hoạt động.

Có gần 100 tỷ tế bào thần kinh trong não người và các thuật toán trí tuệ nhân tạo ngày nay chỉ có thể mô phỏng tối đa hàng chục triệu tế bào thần kinh. Có thể mô phỏng tế bào thần kinh bằng công nghệ bóng bán dẫn dựa trên silicon hiện có không? Trước hết, sử dụng công nghệ này để tạo ra một nơ-ron nhân tạo cần hàng trăm bóng bán dẫn, nếu chúng ta muốn cài đặt nhiều thành phần như vậy trên một con chip có kích thước bằng ngón tay cái, thì kích thước của mỗi nơ-ron sẽ nhỏ hơn 1 milimet. Điều này là không thể.

Ví dụ, chip TrueNorth do IBM phát hành năm 2014 là một thành phần thần kinh tạo hình rất ấn tượng và không sử dụng spintronics. Hệ thống này chứa 5 tỷ bóng bán dẫn (một con số khổng lồ), có khả năng mô phỏng 1 triệu tế bào thần kinh và hàng triệu khớp thần kinh. Bằng cách đưa các khu vực tính toán và lưu trữ lại gần nhau, IBM đã chứng minh rằng sức mạnh của một con chip như vậy kém hơn nhiều so với một con chip thông thường và khoảng cách là vài bậc của độ lớn.

Trên thực tế, kiến ​​trúc của chip TrueNorth không chứa 1 triệu tế bào thần kinh. Tuy nhiên, chip TrueNorth chạy cực nhanh, vì vậy một mạch kỹ thuật số có thể mô phỏng nhiều nơ-ron nhân tạo (tương đương với một nhóm nơ-ron được tập hợp vật lý lại với nhau) và liên tục thực hiện các hoạt động mà mỗi nơ-ron chịu trách nhiệm. Đây là một sự đổi mới nhỏ nhưng có ý nghĩa quan trọng đã thay đổi ý tưởng cơ bản về mô phỏng thần kinh để sản xuất tế bào thần kinh nhân tạo và khớp thần kinh nhân tạo. Đến năm 2017, Intel cũng đã phát triển một con chip tương tự có tên là Loihi, nhưng nó kém hơn một chút, chỉ với 130.000 tế bào thần kinh. Những thiết bị này vẫn còn cồng kềnh và khó có thể tưởng tượng rằng thứ gì đó tương đương với bộ não con người lại có thể được tạo ra theo cách này.

Spintronics cũng chỉ ra một cách khác. Các điểm nối đường hầm từ tính có thể mô phỏng các chức năng cốt lõi của tế bào thần kinh não, đặc biệt là đặc điểm giao tiếp giữa các tế bào thần kinh bằng cách giải phóng các tín hiệu xung điện. Các xung điện về cơ bản giống nhau, nhưng số lượng của chúng phụ thuộc vào hoạt động của các nơron. Nếu một tế bào thần kinh nhận được nhiều tín hiệu điện trong một khoảng thời gian ngắn, thì tần số mà nó phát ra tín hiệu cũng sẽ tăng lên; nếu nó chỉ nhận được một lượng nhỏ tín hiệu thì nó sẽ phát ra ít tín hiệu hơn.

Các linh kiện điện tử truyền thống rất khó để mô phỏng các xung thần kinh ở quy mô nanomet. Trong thực tế, để tạo ra một tín hiệu xung với một tần số nhất định, cần phải tạo một vòng phản hồi trong vòng điện tử, điều này cũng chiếm không gian. Tuy nhiên, có thể đạt được hành vi này với một điểm giao cắt đường hầm từ tính.

Một giải pháp là chuyển tín hiệu đầu vào thành một dòng điện bổ sung (điều này giống hệt như một tế bào thần kinh trong cơ thể sống), và sau đó đưa nó vào điểm nối đường hầm từ tính. Tiếp theo, chúng ta chọn bản chất của nguyên tố sao cho spin của electron trong dòng điện vào không đủ để thay đổi hoàn toàn hướng từ hóa của nanomagnet, nhưng nó có thể tiếp tục dao động và quay, giống như kim chỉ của la bàn. Khi định hướng tương đối của hướng từ hóa của lớp tham chiếu và lớp tự do thay đổi theo chu kỳ, điện trở của tiếp giáp đường hầm từ (gọi là từ trở) sẽ thay đổi và xuất hiện như một dòng điện thay đổi tuần hoàn. Dòng đầu vào càng mạnh, tốc độ quay của định hướng tương đối càng nhanh và tần số của tín hiệu đầu ra càng cao. Điều này dẫn đến một hành vi rất giống với các tế bào thần kinh. Hiện tượng này có thể đạt được ở nhiệt độ phòng và rất ổn định đối với các thành phần kích thước nano. Do đó, nguyên tắc này có thể được sử dụng để chế tạo các thiết bị hoàn chỉnh hơn.

Trong kỳ tiếp theo, Wikicabinet công nghệ & ứng dụng trân trọng mời độc giả đón đọc chủ đề Thế hệ máy tính mới có tỷ lệ chính xác là 99,6%.

Nếu có những thắc mắc hay muốn tìm hiểu về bất kỳ chủ đề nào, hãy liên hệ với Wikicabinet công nghệ & ứng dụng bằng cách bình luận ở phía dưới nhé.

Leave a Reply