پژوهشگران IIT دستگاه جدیدی برای کاربردهای هوش مصنوعی و رایانش هوشمند توسعه دادند
پژوهشگران مؤسسه فناوری هند (IIT) گوواهاتی با همکاری IIT خارگپور، یک دستگاه الکترونیکی بسیار نازک و حساس به نور توسعه داده‌اند که می‌تواند اطلاعات دیداری را دریافت کند، آن را به‌عنوان حافظه نگه دارد و با مصرف انرژی بسیار کمتر از دستگاه‌های متداول پردازش کند. این دستاورد می‌تواند راه را برای توسعه هوش مصنوعی (AI) کارآمدتر، سامانه‌های بینایی رباتیک و کاربردهای رایانش هوشمند هموار کند.
این دستگاه می‌تواند یکی از قابلیت‌های اساسی مغز انسان را بازسازی کند؛ یعنی توانایی تشخیص و یادگیری از اطلاعات دیداری بدون نیاز به پردازش دوباره و مداوم تمام جزئیات از ابتدا. این قابلیت با یکپارچه‌سازی حسگر نور، حافظه و پردازش اطلاعات در یک پلتفرم واحد به دست آمده است.
پژوهشگران اعلام کردند این نوآوری به یکی از محدودیت‌های اصلی سامانه‌های بینایی الکترونیکی سنتی پاسخ می‌دهد؛ سامانه‌هایی که در آن‌ها دوربین‌ها، واحدهای حافظه و پردازنده‌ها وظایف جداگانه‌ای انجام می‌دهند و برای انتقال مداوم داده میان این اجزا، انرژی قابل توجهی مصرف می‌شود.
در آزمایش‌های آزمایشگاهی، این دستگاه ۵۰۰ برابر انرژی کمتری نسبت به دستگاه‌های متداول مبتنی بر MXene مصرف کرد. پژوهشگران همچنین قابلیت‌های آن را در تشخیص چهره و بخش‌بندی صحنه‌های ترافیکی آزمایش کردند که به ترتیب به دقت ۹۰ درصد و ۸۵ درصد دست یافت.
پی. کی. گیری، نویسنده اصلی پژوهش و استاد دانشکده فیزیک IIT گوواهاتی، درباره تفاوت میان بینایی الکترونیکی معمولی و بینایی زیستی گفت در یک سامانه متداول، تصویر ابتدا توسط دوربین ثبت می‌شود، نور به اطلاعات دیجیتال تبدیل می‌شود و سپس داده‌ها به یک ریزپردازنده منتقل می‌شوند تا تصویر را پیکسل‌به‌پیکسل تحلیل کند و شیء موجود در آن را شناسایی کند.
او افزود: «مغز انسان در مقابل، می‌تواند یک شیء آشنا را با استفاده از اطلاعاتی که پیش‌تر درباره رنگ، شکل و زمینه آن به دست آورده است، تشخیص دهد. این توانایی در ترکیب ادراک با حافظه، امکان شناسایی سریع را بدون نیاز به پردازش ترتیبی مشابه اطلاعات دیداری فراهم می‌کند. ما تلاش کرده‌ایم بخشی از این سازوکار را با استفاده از یک سیناپس مصنوعی بازسازی کنیم؛ قطعه‌ای الکترونیکی که برای شبیه‌سازی نحوه انتقال و نگهداری اطلاعات در ارتباطات میان نورون‌های مغز طراحی شده است.»
این دستگاه با استفاده از ورقه‌های نانویی MXene، ماده‌ای دوبعدی، بسیار نازک و رسانای الکتریکی، و پلی(۳-هگزیل‌تیوفن) یا P3HT، یک نیمه‌رسانای آلی که در واکنش به نور بارهای الکتریکی تولید می‌کند، ساخته شده است. هنگامی که این دو ماده با یکدیگر تماس پیدا می‌کنند، بارهای الکتریکی ایجادشده توسط نور در محل اتصال آن‌ها از هم جدا می‌شوند و برای مدت طولانی جدا باقی می‌مانند؛ در نتیجه حتی پس از خاموش شدن منبع نور نیز یک پاسخ الکتریکی پایدار ایجاد می‌شود.
گیری توضیح داد که یک سیگنال کوتاه نور، پاسخ الکتریکی‌ای ایجاد می‌کند که پس از پایان تابش نیز باقی می‌ماند. هنگامی که دستگاه سیگنال نور دوم را دریافت می‌کند، پاسخ آن ۱۸۰ درصد قوی‌تر از پاسخ ایجادشده توسط سیگنال نخست می‌شود؛ موضوعی که توانایی آن در ثبت اثر تحریک‌های تکرارشونده را نشان می‌دهد.
به گفته او، ترکیب حافظه پایدار و پاسخ تقویت‌شونده اهمیت زیادی دارد، زیرا می‌تواند به سامانه‌های رایانش دیداری آینده اجازه دهد الگوهای تکرارشونده را شناسایی کنند و از ورودی‌های تکراری یاد بگیرند، در حالی که نیاز به انتقال مداوم داده‌های خام تصویری میان اجزای سخت‌افزاری جداگانه کاهش می‌یابد.
این نوآوری در شرایطی ارائه شده است که علاقه به توسعه سخت‌افزارهای رایانشی کم‌مصرف‌تر برای انجام وظایف مرتبط با هوش مصنوعی رو به افزایش است. سامانه‌های هوش مصنوعی مدرن معمولاً برای تفسیر محیط اطراف خود از دوربین‌ها و حسگرهای دیگر استفاده می‌کنند؛ از تشخیص چهره و ناوبری خودران گرفته تا بازرسی صنعتی، نظارت و پایش ترافیک. پردازش این حجم عظیم از داده‌ها می‌تواند فشار زیادی بر توان پردازشی، پهنای باند حافظه و مصرف برق وارد کند.
در معماری‌های رایانشی سنتی، جدایی میان پردازش و حافظه علاوه بر انرژی مورد نیاز برای محاسبات، خود نیز باعث مصرف انرژی اضافی می‌شود؛ چالشی که معمولاً با عنوان «گلوگاه فون نویمان» شناخته می‌شود. رایانش نورومورفیک با هدف کاهش این محدودیت، تلاش می‌کند جنبه‌هایی از حافظه و پردازش را به یکدیگر نزدیک کند. دستگاه توسعه‌یافته توسط پژوهشگران IIT نیز از همین رویکرد پیروی می‌کند و حسگر پاسخ‌گو به نور را با رفتار شبیه حافظه در یک پلتفرم مادی واحد ترکیب کرده است.
چاندرا شِخار تی‌واری، استاد IIT خارگپور، گفت اگر این دستگاه‌ها بیشتر توسعه یابند و در سامانه‌های عملیاتی ادغام شوند، می‌توانند انرژی مورد نیاز برای پردازش ورودی‌های دیداری را کاهش دهند؛ به‌ویژه در کاربردهایی که تجهیزات الکترونیکی باید به‌طور مداوم کار کنند یا با محدودیت شدید انرژی روبه‌رو هستند.
یافته‌های این پژوهش که در مجله Carbon منتشر شده است، می‌تواند به توسعه سامانه‌های رایانش نورومورفیک کمک کند؛ سامانه‌هایی که سازوکارهای پردازش اطلاعات در مغز انسان را تقلید می‌کنند. پژوهشگران می‌گویند این سامانه‌ها به‌عنوان راهکاری برای کاهش مصرف انرژی در کاربردهای هوش مصنوعی در حال بررسی هستند، زیرا حجم داده‌های دیداری پردازش‌شده توسط ماشین‌های هوشمند همچنان افزایش می‌یابد.