Sistem visual buatan dengan konsumsi energi terendah untuk AI generasi berikutnya
Ai

Sistem visual buatan dengan konsumsi energi terendah untuk AI generasi berikutnya


Perangkat sinapsis fotonik kuasi-2DEG dapat dibuat di atas substrat polimida dan menjadi fleksibel. Inset menunjukkan gambar SEM yang sesuai dari array perangkat 6 × 5 yang dibuat. Kredit: You Meng, Universitas Kota Hong Kong

Sebuah studi bersama yang dipimpin oleh City University of Hong Kong (CityU) telah membangun sistem visual buatan dengan konsumsi daya sangat rendah untuk meniru otak manusia, yang berhasil melakukan tugas-tugas kognitif intensif data. Hasil eksperimen mereka dapat memberikan sistem perangkat yang menjanjikan untuk aplikasi kecerdasan buatan (AI) generasi berikutnya.

Tim peneliti dipimpin oleh Profesor Johnny Chung-yin Ho, Kepala Asosiasi dan Profesor dari Departemen Ilmu dan Teknik Material (MSE) di CityU. Penemuan mereka telah dipublikasikan di jurnal ilmiah Kemajuan Sains, berjudul “Sistem visual buatan yang diaktifkan oleh gas elektron kuasi-dua dimensi dalam kawat nano superlattice oksida.”

Seiring kemajuan teknologi semikonduktor yang digunakan dalam komputasi digital menunjukkan tanda-tanda stagnasi, sistem komputasi neuromorfik (seperti otak) telah dianggap sebagai salah satu alternatif. Para ilmuwan telah mencoba mengembangkan komputer AI canggih generasi berikutnya, yang ringan, hemat energi, dan mudah beradaptasi seperti otak manusia.

“Sayangnya, meniru neuroplastisitas otak secara efektif — kemampuan untuk mengubah koneksi jaringan sarafnya atau menyambung ulang dirinya sendiri — dalam sinapsis buatan yang ada melalui cara yang sangat kuat masih menantang,” kata Profesor Ho.

Meningkatkan efisiensi energi sinapsis buatan

Sinapsis buatan meniru sinapsis biologis, celah di mana dua neuron melewati sinyal listrik untuk berkomunikasi satu sama lain di otak. Sinapsis buatan meniru transmisi sinyal saraf otak yang efisien dan proses pembentukan memori.

Untuk meningkatkan efisiensi energi sinapsis buatan, tim peneliti Profesor Ho telah memperkenalkan gas elektron kuasi-dua dimensi (kuasi-2DEG) ke dalam sistem neuromorfik buatan untuk pertama kalinya. Para peneliti mengembangkan kawat nano superlattice oksida – sejenis semikonduktor dengan sifat listrik yang menarik – dan merancang perangkat sinaptik fotonik kuasi-2DEG yang telah mencapai rekor konsumsi energi rendah hingga sub-femtojoule (0.7fJ) per peristiwa sinaptik. Ini berarti penurunan konsumsi energi 93% jika dibandingkan dengan sinapsis di otak manusia.

“Eksperimen kami telah menunjukkan bahwa sistem visual buatan berdasarkan sinapsis fotonik kami dapat secara bersamaan melakukan deteksi cahaya, pemrosesan seperti otak, dan fungsi memori dengan cara yang sangat rendah. Kami yakin temuan kami dapat memberikan strategi yang menjanjikan untuk membangun sistem neuromorfik buatan untuk aplikasi di perangkat bionik, mata elektronik, dan robotika multifungsi di masa depan, “kata Profesor Ho.

Sistem visual buatan dengan konsumsi energi terendah untuk AI generasi berikutnya

Peneliti melakukan eksperimen untuk menguji sistem visual buatan. Gambar di pojok kiri atas menunjukkan rambut manusia digunakan untuk pola cahaya. Tiga gambar lainnya menunjukkan perilaku pencitraan dan menghafal dari sistem visual buatan setelah waktu retensi yang berbeda. Kredit: Kemajuan Sains 10.1126 / sciadv.abc6389

Menyerupai perubahan konduktansi dalam sinapsis

Dia menjelaskan bahwa gas elektron dua dimensi terjadi ketika elektron terbatas pada antarmuka dua dimensi antara dua material. Karena tidak ada interaksi elektron-elektron dan interaksi elektron-ion, elektron bergerak bebas di antarmuka.

Setelah terkena pulsa cahaya, serangkaian reaksi antara molekul oksigen dari lingkungan yang diserap ke permukaan kawat nano dan elektron bebas dari gas elektron dua dimensi di dalam kawat nano superlattice oksida diinduksi. Oleh karena itu, konduktansi dari sinapsis fotonik akan berubah. Mengingat mobilitas pembawa muatan yang luar biasa dan kepekaan terhadap rangsangan cahaya dari kawat nano superlattice, perubahan konduktansi di sinapsis fotonik menyerupai di sinapsis biologis. Sinapsis fotonik kuasi-2DEG meniru cara neuron di otak manusia mengirimkan dan menghafal sinyal.

Gabungan fungsi deteksi foto dan memori

“Sifat khusus dari bahan kawat nano superlattice memungkinkan sinapsis kita memiliki fungsi pendeteksi foto dan memori secara bersamaan. Inti kawat nano kawat nano dapat mendeteksi stimulus cahaya dengan sensitivitas tinggi, dan kulit kawat nano mempromosikan fungsi memori. Jadi tidak ada perlu membangun modul memori tambahan untuk penyimpanan muatan dalam chip penginderaan gambar. Hasilnya, perangkat kami dapat menghemat energi, “jelas Profesor Ho.

Dengan sinaps fotonik kuasi-2DEG ini, mereka telah membangun sistem visual buatan yang dapat secara akurat dan efisien mendeteksi rangsangan cahaya berpola dan “menghafal” bentuk rangsangan selama satu jam. “Ini seperti otak kita mengingat apa yang kita lihat selama beberapa waktu,” kata Profesor Ho.

Dia menambahkan bahwa cara tim mensintesis sinapsis fotonik dan sistem visual buatan tidak membutuhkan peralatan yang rumit. Dan perangkat tersebut dapat dibuat dari plastik fleksibel dengan cara yang dapat diskalakan dan berbiaya rendah.


Meretas otak manusia — sinapsis buatan laboratorium untuk kecerdasan buatan


Informasi lebih lanjut:
You Meng et al, Sistem visual buatan yang diaktifkan oleh gas elektron kuasi-dua dimensi dalam kawat nano superlattice oksida, Kemajuan Sains (2020). DOI: 10.1126 / sciadv.abc6389

Disediakan oleh City University of Hong Kong

Kutipan: Sistem visual buatan dengan konsumsi energi rekor rendah untuk generasi AI berikutnya (2020, 11 Desember) diambil pada 11 Desember 2020 dari https://techxplore.com/news/2020-12-artificial-visual-record-low-energy -consumption.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Toto SGP