Μηχανικοί του Πανεπιστημίου του Τέξας στο Ντάλας έχουν δημιουργήσει ένα πρωτότυπο νευρομορφικού υπολογιστή που μιμείται τη μάθηση του ανθρώπινου εγκεφάλου, χρησιμοποιώντας μαγνητικά εξαρτήματα για να επιτύχει δραματικά βελτιωμένη ενεργειακή απόδοση σε σύγκριση με τα παραδοσιακά συστήματα τεχνητής νοημοσύνης. Η καινοτομία, που δημοσιεύθηκε τον Αύγουστο στο Nature Communications Engineering, αντιπροσωπεύει ένα σημαντικό βήμα προς τη μεταφορά της επεξεργασίας τεχνητής νοημοσύνης απευθείας σε smartphones και άλλες φορητές συσκευές.
Επαναστατική μαγνητική τεχνολογία εγκεφάλου
Ο Δρ. Joseph S. Friedman και η ομάδα του στο UT Dallas ανέπτυξαν το πρωτότυπο χρησιμοποιώντας μαγνητικές διαβάσεις σήραγγας (MTJs), νανοκλίμακες συσκευές που λειτουργούν σαν βιολογικές σύναψεις, ενισχύοντας ή αποδυναμώνοντας συνδέσεις βάσει των προτύπων δραστηριότητας. Σε αντίθεση με τους συμβατικούς υπολογιστές που διαχωρίζουν τη μνήμη και την επεξεργασία, αυτό το νευρομορφικό σύστημα ενσωματώνει και τις δύο λειτουργίες, μιμούμενο τον τρόπο που λειτουργεί ο ανθρώπινος εγκέφαλος.
«Η δουλειά μας δείχνει μια πιθανή νέα οδό για την κατασκευή υπολογιστών εμπνευσμένων από τον εγκέφαλο που μπορούν να μάθουν μόνοι τους», δήλωσε ο Friedman, αναπληρωτής καθηγητής ηλεκτρολογίας και υπολογιστικών συστημάτων. «Επειδή οι νευρομορφικοί υπολογιστές δεν χρειάζονται τεράστιους υπολογισμούς εκπαίδευσης, θα μπορούσαν να τροφοδοτήσουν έξυπνες συσκευές χωρίς υψηλό ενεργειακό κόστος.»
Το πρωτότυπο παρουσίασε αξιοσημείωτη απόδοση στις δοκιμές, πετυχαίνοντας πάνω από 600 τρισεκατομμύρια λειτουργίες ανά δευτερόλεπτο ανά βατ—περισσότερο από έξι φορές την απόδοση των υπαρχόντων συστημάτων μεμρίστορ και χιλιάδες φορές μεγαλύτερη ενεργειακή αποδοτικότητα από τα τυπικά γραφικά επεξεργαστές. Όταν δοκιμάστηκε στην αναγνώριση χειρόγραφων ψηφίων χρησιμοποιώντας το σύνολο δεδομένων MNIST, το σύστημα πέτυχε ακρίβεια 90% ενώ κατανάλωνε σημαντικά λιγότερη ισχύ από τα παραδοσιακά AI υλικά.
Συνεργασία βιομηχανίας και ομοσπονδιακή υποστήριξη
Η έρευνα προέκυψε από μία συνεργασία με βιομηχανικούς εταίρους, τις Everspin Technologies και Texas Instruments, τοποθετώντας την τεχνολογία για δυνητικές εμπορικές εφαρμογές. Ο Δρ. Sanjeev Aggarwal, πρόεδρος και διευθύνων σύμβουλος της Everspin Technologies, συν-συγγραφέας της μελέτης μαζί με τον Friedman.
Το έργο απέκτησε επιπλέον δυναμική τον Σεπτέμβριο του 2025, όταν το Υπουργείο Ενέργειας των ΗΠΑ απένειμε στον Friedman επιχορήγηση $498.730 για δύο έτη με σκοπό την προώθηση της έρευνας στη νευρομορφική υπολογιστική. Αυτή η ομοσπονδιακή επένδυση υπογραμμίζει το αυξανόμενο κυβερνητικό ενδιαφέρον για εναλλακτικές λύσεις ενεργειακά αποδοτικών υπολογιστικών συστημάτων, καθώς τα συστήματα τεχνητής νοημοσύνης καταναλώνουν όλο και μεγαλύτερες ποσότητες ηλεκτρικής ενέργειας.
Η έρευνα βασίζεται στις αρχές της εκμάθησης Hebbian, που συχνά συνοψίζονται ως «νευρώνες που ενεργοποιούνται μαζί, συνδέονται μεταξύ τους», επιτρέποντας στο τεχνητό σύστημα να προσαρμόζεται και να μαθαίνει από την εμπειρία, αντί να απαιτεί εκτεταμένη προ-εκπαίδευση. Οι δυνατότητες δυαδικής εναλλαγής των συσκευών MTJ παρέχουν πλεονεκτήματα αξιοπιστίας σε σύγκριση με προηγούμενες νευρομορφικές προσεγγίσεις που αντιμετώπιζαν προβλήματα σταθερότητας.
Σύμφωνα με πρόσφατες αναλύσεις, η εκπαίδευση μεγάλων γλωσσικών μοντέλων μπορεί να καταναλώσει τόση ηλεκτρική ενέργεια όση χρησιμοποιούν 300 κατοικίες μέσα σε ένα ολόκληρο έτος, την ώρα που ο ανθρώπινος εγκέφαλος επεξεργάζεται πολύπλοκες πληροφορίες χρησιμοποιώντας περίπου την ίδια ισχύ με μια λάμπα 20 watt.
Τα νευρομορφικά τσιπ μπορούν να μειώσουν την κατανάλωση ενέργειας έως και 80% σε σύγκριση με τα συμβατικά συστήματα τεχνητής νοημοσύνης, καθιστώντας τα ιδιαίτερα πολύτιμα για εφαρμογές “edge computing”, όπου η ενεργειακή απόδοση είναι κρίσιμη.
