Công Nghệ & Ứng Dụng

Thế hệ máy tính mới lấy cảm hứng từ não bộ

Thế hệ máy tính mới lấy cảm hứng từ não bộ

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:

Trí tuệ nhân tạo có thể bắt chước bộ não

Kỳ này wikicabinet công nghệ & ứng dụng xin giới thiệu đến độc giả một chủ đề Thế hệ máy tính mới lấy cảm hứng từ não bộ. Mời quý độc giả đón theo dõi chủ đề này cùng wikicabinet công nghệ & ứng dụng nhé!

Các đặc tính khác nhau của não làm tăng hiệu quả sử dụng năng lượng. Liệu chúng ta có thể lấy cảm hứng từ não bộ để tạo ra một thiết bị điện tử hoặc mạch tích hợp có thể xử lý dữ liệu với năng lượng rất thấp?

Nếu các nơ-ron và khớp thần kinh điện tử được lắp đặt ở các vị trí liền kề và các quá trình lưu trữ và tính toán càng gần nhau càng tốt, chúng ta có thể tạo ra các cấu trúc tương tự như mạng nơ-ron. Ý tưởng này không phải là mới. Cuối những năm 1980, Carver Mead, một nhà nghiên cứu tại Viện Công nghệ California và là một trong những người sáng lập ra vi điện tử hiện đại, đã đề xuất khái niệm về các mạch thần kinh. Mục tiêu của ông là mô phỏng não bộ cấu trúc sinh học thần kinh. Nhưng vì những trở ngại về kỹ thuật, phương pháp này đã bị bỏ dở trong một thời gian dài.

Trở ngại đầu tiên là trí nhớ. Cho đến nay, công nghệ điện tử vẫn chưa thể đạt được sự tích hợp lưu trữ và tính toán trên quy mô lớn. Trên thực tế, mạch lưu trữ duy nhất có thể được cài đặt trong bộ xử lý là bộ nhớ truy cập ngẫu nhiên tĩnh (SRAM), cực kỳ tốn kém vì nó cần chiếm một lượng lớn diện tích vốn có giới hạn của bề mặt bộ xử lý. Do đó, dung lượng lưu trữ dữ liệu trong bộ xử lý là rất nhỏ, và hầu hết dữ liệu được lưu trong bộ nhớ, nằm ngoài bộ xử lý. Hiện tại, các nhà khoa học đang thử nhiều cách khác nhau với hy vọng mang bộ nhớ và bộ xử lý lại gần nhau hơn. Trong số nhiều nghiên cứu, spintronics đã đạt được những tiến bộ quan trọng trong những năm gần đây.

Công nghệ Spintronics không chỉ cần sử dụng điện tích do các electron mang theo mà còn cả spin của chúng. Spin là một thuộc tính lượng tử thuần túy và các tính chất của nó tương tự như mômen động lượng. Chúng ta có thể sử dụng một mũi tên nhỏ để biểu diễn spin của một electron. Spin liên quan đến mômen từ bên trong của các electron, vì vậy nếu hầu hết các electron trong vật chất quay theo cùng một hướng thì nó sẽ có từ tính. Spintronics sử dụng sự tương tác giữa spin của điện tử trong dòng điện và vật liệu từ tính.Cụ thể, thành phần cơ bản trong spintronics là một hình trụ nhỏ có đường kính hàng chục nanomet, được gọi là điểm nối đường hầm từ tính. Tiếp giáp đường hầm từ tính bao gồm hai lớp vật liệu từ tính (cụ thể là các hạt nano từ tính), với một lớp cách điện ở giữa. Khi hướng từ hóa của hai nano từ giống nhau, dòng điện có thể dễ dàng đi qua điểm nối đường hầm từ tính với sự trợ giúp của hiệu ứng đường hầm (một hiệu ứng lượng tử). Lúc này, điện trở của nó nhỏ. Nếu chiều từ hóa của nanomagnet ngược lại, dòng điện sẽ khó đi qua, nghĩa là điện trở của nó trở nên lớn hơn.

Do tính chất này, điểm nối đường hầm từ tính có thể lưu trữ thông tin nhị phân và ghi lại “0” hoặc “1” với các hướng từ hóa khác nhau. Bộ nhớ dựa trên nguyên tắc này được gọi là bộ nhớ truy cập ngẫu nhiên từ tính (MRAM), ra đời vào giữa những năm 1980. Tuy nhiên, nếu bạn muốn thay đổi giá trị của một chút, bạn cần phải đặt một từ trường bên ngoài vào nó để thay đổi hướng từ hóa của nanomagnet. Quá trình như vậy cản trở việc thu nhỏ thiết bị.

Năm 1996, nhà nghiên cứu John Slonczewski (John Slonczewski) của IBM và Luc Berger (Luc Berger) của Đại học Carnegie-Mellon đã đề xuất một cách độc lập một bộ giải pháp giúp cải thiện đáng kể loại thiết bị này. Họ đã chứng minh một hiệu ứng mới, đó là chuyển spin.

Khi các điện tử trong dòng điện đi qua một mạng nano trong đường giao nhau của đường hầm từ, spin của chúng sẽ tương tác với spin của các điện tử trong nam châm, làm cho các vòng quay của điện tử trong dòng điện phân cực và trở nên thẳng hàng với nam châm. spin của electron là như nhau. Trong tiếp giáp đường hầm từ tính, hướng từ hóa của một nanomagnet có thể thay đổi (được gọi là lớp tự do), trong khi hướng từ hóa của nam châm khác vẫn giữ nguyên (được gọi là lớp tham chiếu). Khi dòng điện phân cực chạy qua lớp tự do, nó làm thay đổi chiều từ hóa của nam châm. Do đó, bằng cách điều khiển hướng của dòng điện, một bit “0” hoặc “1” có thể được viết mà không cần từ trường bên ngoài. Khám phá này đã khai sinh ra khái niệm MRAM tích hợp.

Kể từ đó, nhiều nhà sản xuất hệ thống vi điện tử đã bắt đầu sử dụng công nghệ này để tạo ra những ký ức. Bạn biết đấy, một mạch tích hợp dựa trên silicon có thể tích hợp 1 tỷ thành phần này. Hiện nay, loại bộ nhớ này đã được ứng dụng vào các thiết bị điện tử trong sử dụng hàng ngày, vì nó có ưu điểm của hai loại bộ nhớ cùng một lúc: tốc độ đọc ghi nhanh như bộ nhớ động, khả năng lưu trữ thông tin. trong thời gian dài mạnh bằng bộ nhớ dung lượng lớn.

Kết quả là, chúng tôi không ngừng tiếp cận khái niệm về các mạch tích hợp thần kinh đa hình. Trong các mạch tích hợp dựa trên silicon thực hiện các hoạt động, các mối nối đường hầm từ tính có thể được lắp đặt ở những nơi hữu ích nhất để lưu trữ dữ liệu dưới dạng bit. Giống như các khớp thần kinh và tế bào thần kinh được kết nối trong não, các “khớp thần kinh” nhân tạo này có thể càng gần các trung tâm tính toán làm bằng silicon càng tốt. Nếu bạn muốn chạy một thuật toán mạng nơ-ron trên một thiết bị như vậy, bạn chỉ cần định cấu hình các giá trị chính xác cho các khớp thần kinh này để xác định các tác vụ chương trình. Mạng nơ-ron có thể xác định các yếu tố trong hình ảnh hoặc âm thanh dựa trên giá trị tương ứng.

Bằng cách giảm mạnh trao đổi dữ liệu giữa bộ nhớ ngoài và bộ xử lý, chúng tôi dự kiến ​​sẽ giảm năng lượng tiêu thụ bởi các thuật toán trí tuệ nhân tạo. Cả giới học thuật và công nghiệp đều đang tích cực khám phá phương pháp này. Nhưng nó vẫn chưa hoàn toàn thỏa đáng: để thực hiện một nhiệm vụ, bạn cần biết giá trị chính xác của mỗi khớp thần kinh để ghi nhớ trước. Và những thành phần như vậy không có độ dẻo như bộ não thực sự sở hữu. Chúng tôi hy vọng rằng trong những trường hợp lý tưởng, chúng tôi có thể tạo ra một vòng lặp có thể thực hiện các hoạt động khác nhau thông qua việc học.

Bắt đầu với “khớp thần kinh”

Nói chung, bước đầu tiên của thuật toán mạng nơ-ron là học. Trong quá trình này, mạng nơ-ron cần liên tục điều chỉnh giá trị của các khớp thần kinh để cải thiện hiệu suất tính toán và hoàn thành tốt hơn các nhiệm vụ được giao cho nó.

Thật không may, kỹ thuật được sử dụng bởi thuật toán để xác định giá trị chính xác của khớp thần kinh trong mạng nơron lại xuất phát từ một tập hợp các phương pháp toán học phức tạp được gọi là “lan truyền ngược”. Quá trình này đòi hỏi một loạt các tính toán chính xác cao và tiêu tốn nhiều năng lượng. Phương pháp này phù hợp với máy tính, nhưng không cần hệ thống mô phỏng não bộ, vì độ chính xác của hệ thống mới tương đối thấp.

Trong trường hợp này, sẽ hợp lý hơn nếu chọn phương pháp tính toán mô phỏng lại bộ não so với phương pháp có độ chính xác cao và tiêu tốn nhiều năng lượng. Điều đáng chú ý là các khớp thần kinh sinh học không chỉ đóng một chức năng ghi nhớ, mà còn là cốt lõi của cơ chế học tập. Trên thực tế, chúng dễ uốn và có thể điều chỉnh các hoạt động của mình tùy theo lượng thông tin mà chúng tiếp xúc. Ví dụ, khi hai tế bào thần kinh được kết nối bởi một khớp thần kinh hoạt động cùng một lúc, hoạt động của khớp thần kinh này sẽ tăng lên, và khớp thần kinh do đó sẽ được tăng cường. Nhưng sự tăng cường này không nhất thiết phải hoàn thành, nếu không mỗi tín hiệu mới sẽ xóa bỏ các kết nối yếu được thiết lập bởi các tế bào thần kinh trong quá trình trải nghiệm quá khứ.

Nếu nguyên tắc này được áp dụng cho các thiết bị spintronics, thì giá trị của các khớp thần kinh nhân tạo phải được điều chỉnh theo các tín hiệu mà các thiết bị nhận được. Trên thực tế, có thể đạt được độ dẻo nhất định với một hệ thống như vậy. Khi một điện áp được đặt vào một điểm nối đường hầm từ tính, hiệu ứng truyền spin làm thay đổi hướng từ hóa của một trong các loại nano từ. Nếu điện áp đủ cao và thời gian đủ dài, nó sẽ đủ để đảo ngược hướng từ hóa của nanomagnet, do đó tiết kiệm giá trị trong đường giao nhau đường hầm từ. Nhưng sự đảo ngược này không nhất thiết có thể dự đoán được: nếu khoảng thời gian điện áp không đủ dài, chiều từ hóa đôi khi sẽ bị đảo ngược, đôi khi không. Điện áp đặt vào đường giao nhau của đường hầm từ càng cao thì khả năng đảo chiều từ hóa càng lớn, nhưng nó sẽ không đạt 100%.

Trong kỳ tiếp theo, Wikicabinet công nghệ & ứng dụng trân trọng mời độc giả đón đọc chủ đề Thế hệ máy tính mới có khả năng học tập.

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