کشفی جدید در هوش مصنوعی نیورومورفیک
نتایج پژوهشی که در ژورنال Nature Machine Intelligence منتشر شد، نشان داد که سخت‌افزارهای نیورومورفیک نه تنها در پردازش تصویر و یادگیری عمیق، بلکه در حل معادلات پیچیده ریاضی نیز عملکرد قابل توجهی دارند. این آستانه جدید، معادل با جایگزینی سوپرکامپیوترهای انرژی‌بر مصرفی، نمایانگر پتانسیلی عظیم در حوزهٔ محاسبات علمی است.
معادلات جزئی مشتق‌شده: چالش و راه‌حل
معادلات جزئی مشتق‌شده (PDEs) پایهٔ فیزیک و مهندسی محسوب می‌شوند، چرا که برای مدل‌سازی رفتار سیالات، میدان‌های الکترومغناطیسی، و مکانیک ساختارها لازم‌اند. نویسندگان پژوهش، الگوریتمی نوآورانه طراحی کردند که این معادلات را به‌طور کارآمد بر روی سخت‌افزار نیورومورفیک حل می‌کند، در حالی که مصرف انرژی نسبتاً کم است.
- کاهش مصرف انرژیک تا ۹۰٪ نسبت به سوپرکامپیوترهای سنتی
- سرعت حل معادلات با دقت بالا در بازهٔ زمان کوتاه
- امکان اجرای همزمان شبیه‌سازی‌های چندگانه در یک واحد فیزیکی
- همانند مغز، در یادگیری از داده‌های جدید بهبود پیدا می‌کند
پتانسیل سوپرکامپیوتر کم‌مصرف
این پیشرفت، گامی بزرگ در جهت ایجاد نخستین سوپرکامپیوترهای نیورومورفیک است که می‌تواند در حوزه‌های امنیت ملی، پیش‌بینی آب و هوا و طراحی مواد کاربرد داشته باشد. علاوه بر این، این تکنیک می‌تواند نانق نواوری در پردازش بیماری‌های یادگیری و تشخیص تصویری پزشکی را نیز تسریع کند.
پرسش‌های پرتکرار
این تکنولوژی در چه حوزه‌هایی می‌تواند جایگزین سوپرکامپیوترهای سنتی شود؟
به‌طور خاص در شبیه‌سازی‌های علمی و مهندسی که نیاز به حل معادلات جزئی مشتق‌شده دارند، مانند دینامیک سیالات، مکانیک مواد، و فیزیک سیالات مغناطیسی کاربرد دارد. با مصرف انرژی کمتر، می‌تواند در تحقیقات و برنامه‌های دولتی و صنایع مختلف استفاده شود.
چگونه این الگوریتم‌ها با سخت‌افزارهای موجود سازگار می‌شوند؟
الگوریتم جدید می‌تواند بر روی مدارهای ASIC و FPGA طراحی شده برای نیورومورفیک اجرا شود. این به‌صورت عمودی با پردازش‌کننده‌های ویژه‌ای که برای شبیه‌سازی واکنش‌های عصبی طراحی شده‌اند، منطبق است و به‌التزامی با معماری‌های پیش‌فرض مغز انسان عمل می‌کند.
