ارسال دیدگاه
امروز: چهارشنبه , ۲۱ آبان , ۱۴۰۴
X
دانشمندان نوع جدیدی از ریزتراشه را توسعه داده‌اند که به جای مدارهای دیجیتال معمولی، از امواج مایکروویو (ریزموج‌ها) برای انجام عملیات‌های پردازشی استفاده می‌کند. براساس گزارش دانشمندان در پژوهشی که در تاریخ ۱۴ آگوست در مجله Nature Electronics منتشر شد، این قطعه می‌تواند سریع‌تر از پردازنده‌های معمولی عمل کند و اولین شبکه عصبی مایکروویو کاملا کاربردی (MNN) در جهان به شمار می‌رود که قادر است روی یک تراشه قرار گیرد. پردازش سریع برای کارهایی که نیازمند پهنای باند بالا هستند، مانند تصویربرداری راداری، یک ویژگی ضروری است.
ریزموج‌ها که در طیف آنالوگ کار می‌کنند، می‌توانند نیازهای پردازشی این‌نوع کارها را برآورده کنند، به همین دلیل دانشمندان به این رویکرد جدید در محاسبات روی آورده‌اند. بال گوویند (Bal Govind)، دانشجوی دکترا دانشگاه کُرنل و نویسنده اصلی این پژوهش، در بیانیه‌ای گفت: “از آنجایی که این تراشه قادر است به‌طور برنامه‌ریزی‌شده در طیف وسیعی از فرکانس‌ها به‌صورت آنی اعوجاج ایجاد کند، می‌تواند برای چند کار محاسباتی مورد استفاده قرار گیرد. تراشه اشاره شده تعداد زیادی از مراحل پردازش سیگنال که معمولا کامپیوترهای دیجیتال باید انجام دهند را رد می‌کند.”
قدرت ریزموج‌ها
تراشه جدید دانشمندان از امواج آنالوگ در طیف الکترومغناطیسی ریزموج استفاده می‌کند که در یک شبکه عصبی هوش مصنوعی (AI) برای ایجاد الگوی شانه‌ای در موج‌نما و ریزموج‌ها استفاده به کار می‌روند. خطوط طیفی که به‌طور منظم در این الگوی شانه‌ای فاصله دارند، مانند یک خط‌کش عمل کرده و اندازه‌گیری‌های سریع و دقیقی از فرکانس‌ها را امکان‌پذیر می‌کنند. شبکه‌های عصبی که پایه و اساس تراشه اشاره شده محسوب می‌شوند، مجموعه‌ای از الگوریتم‌های یادگیری ماشین هستند که الهام گرفته از ساختار مغز انسان می‌باشند. این تراشه از گره‌های الکترومغناطیسی متصل به هم در موجبر قابل تنظیم برای شناسایی الگوها در داده‌ها و تطبیق با اطلاعات ورودی استفاده می‌کند.
تراشه جدید دانشمندان با استفاده از MNN، یک مدار یکپارچه که اجزای طیفی (فرکانس‌های تکی در یک سیگنال) را با ثبت ویژگی‌های داده ورودی در یک پهنای پاند وسیع پردازش می‌کند، ساخته شده است. این قطعه قادر است عملیات منطقی ساده و محاسبات پیشرفته‌ای مانند شناسایی دنباله‌های باینری یا الگوها را در داده‌های پرسرعت با دقت ۸۸ درصد انجام دهد. در این پژوهش، دانشمندان اشاره کرده‌اند که این قابلیت را در چند چالش طبقه‌بندی سیگنال‌های بی‌سیم اثبات کرده‌اند. با کار در محدوده آنالوگ ریزموج و استفاده از رویکرد احتمالاتی، تراشه آن‌ها قادر است جریان‌های داده را در مقیاس ده‌ها گیگاهرتز پردازش کند (حداقل ۲۰ میلیارد عملیات پردازشی در ثانیه).
این سرعت بیشتر از اکثر پردازنده‌های به‌کار رفته در کامپیوترهای خانگی است که معمولا بین ۲.۵ تا ۴ گیگاهرتز (۲.۵ تا ۴ میلیارد عملیات در ثانیه) عمل می‌کنند. آلیسا آپسل (Alyssa Apsel)، نویسنده ارشد و مدیر دانشکده مهندسی برق و کامپیوتر دانشگاه کُرنل، در این بیانیه گفت: “بال گوویند بسیاری از طراحی‌های مدارهای معمولی را کنار گذاشت تا به این نتیجه دست یابد. به جای تلاش برای شبیه‌سازی دقیق ساختار شبکه‌های عصبی دیجیتال، او چیزی ایجاد کرد که بیشتر شبیه به مجموعه‌ای کنترل‌شده از رفتارهای فرکانسی است که در نهایت می‌تواند محاسبات با کارایی بالا را ارائه دهد.”
گوویند نیز در بیانیه خود افزود: “در سیستم‌های دیجیتال معمولی، برای حفظ دقت به مدارها، توان و اصلاح خطاهای بیشتری نیاز است؛ اما رویکرد احتمالاتی موجب می‌شود محققان بتوانند دقت بالا را در هر دو محاسبات ساده و پیچیده حفظ کنند، بدون اینکه نیاز به افزودن بار اضافی باشد.” مصرف پایین انرژی تراشه مایکروویو دانشمندان نیز یکی دیگر از ویژگی قابل توجه آن است. این تراشه می‌تواند کمتر از ۲۰۰ میلی‌وات (کمتر از ۰.۲ وات) مصرف کند که تقریبا برابر با توان ارسال اطلاعات در موبایل‌ها است. شایان ذکر است که بیشتر پردازنده‌های مرکزی حداقل به ورودی ۶۵ واتی نیاز دارند. به گفته دانشمندان، این مصرف انرژی پایین بدان معناست که تراشه می‌تواند در دستگاه‌های شخصی یا فناوری‌های پوشیدنی نصب شود.
این یک فناوری امیدوارکننده برای استفاده در محاسبات لبه‌ای است، زیرا می‌تواند با از بین بردن نیاز به اتصال به سرور مرکزی، تاخیر را کاهش دهد؛ همچنین در امور مرتبط با هوش مصنوعی کاربردی خواهد بود. بدین ترتیب، شرکت‌ها تراشه‌ای با قدرت پردازشی بالا و مصرف انرژی کم برای آموزش مدل‌های هوش مصنوعی خود خواهند داشت. گام بعدی محققان این خواهد بود که با کاهش تعداد موجبرها و کوچک‌تر کردن تراشه، طراحی آن را ساده‌تر کنند. تراشه‌ای جمع‌و‌جورتر می‌تواند از شانه‌های متصل به هم استفاده کند که طیف خروجی بزرگ‌تری تولید می‌کنند و به آموزش شبکه عصبی کمک خواهند کرد.
دانلود آهنگ
دیدگاهتان را بنویسید