پردازش نیورومورفیک و شبکه‌های عصبی اسپایکینگ در هوش مصنوعی
گذر تاریخی از معماری‌های محاسباتی کلاسیک به سیلیکون‌های شبه‌مغز؛ چگونه فناوری پردازش در حافظه و شبکه‌های اسپایکینگ بحران مصرف انرژی دیتاسنترها و ایجنت‌های خودمختار را مهار کردند.
- تحلیل جامع و موشکافانه معماری سیلیکون‌های نیورومورفیک و فناوری پردازش درون حافظه (Compute-in-Memory / PIM) امروزه کالبدشکافی عبور از سد حرارتی و گلوگاه فون نویمان با تقلید مستقیم از سیناپس‌های بیولوژیکی مغز انسان، بررسی شبکه‌های عصبی اسپایکینگ (SNNs) مبتنی بر رویداد (Event-Driven)، ارزیابی ممریستورها و حافظه‌های مقاومتی ReRAM در اجرای مدل‌های بنیادی چندوجهی بر لبه، و مقایسه میدانی تراشه‌های پیشگام نظیر Intel Loihi 3 و شتاب‌دهنده‌های هیبریدی مغزافزار.
- بررسی جامع ابعاد فنی و کاربردی توسط تحریریه ماگ بیت.
- پیش‌بینی اثرات کوتاه‌مدت و بلندمدت بر اکوسیستم فناوری.
بحران انرژی مدل‌های تریلیون پارامتری و بن‌بست دیوار حافظه؛ چرا فون نویمان بازنشسته می‌شود؟
امروزه صنعت هوش مصنوعی با یک مانع فیزیکی غیرقابل انکار به نام دیوار حافظه (Memory Wall) مواجه شده است. در معماری‌های محاسباتی سنتی فون نویمان (Von Neumann Architecture)، پردازنده محاسباتی و تراشه حافظه فیزیکاً از یکدیگر جدا هستند. داده‌ها باید به طور مداوم از طریق گذرگاه‌های مسی با پهنای باند محدود بین حافظه DRAM یا HBM و هسته‌های شتاب‌دهنده جابه‌جا شوند. بررسی‌های آزمایشگاهی نشان می‌دهد بیش از ۶۰ تا ۸۰ درصد از کل انرژی مصرف‌شده هنگام استنباط مدل‌های بزرگ زبانی، صرفاً خرج این رفت‌وآمد فیزیکی الکترون‌ها می‌شود نه خود عملیات ضرب ماتریسی.
این اتلاف سرسام‌آور انرژی موجب شده تا مراکز داده هوش مصنوعی نیازمند مزارع بادی و ایستگاه‌های اختصاصی هسته‌ای شوند. در چنین شرایطی، سیستم‌های دستیار محلی و ربات‌های خودمختار که متکی بر باتری‌های قابل حمل هستند، با بحران خالی شدن سریع شارژ دست‌وپنجه نرم می‌کردند. این چالش بنیادین درست همان نقطه‌ای است که مدل‌های هوش مصنوعی روی دستگاه و پردازش NPU را به سوی بازنگری ریشه‌ای در سیلیکون محاسباتی سوق داد.
راهکار نهایی که در ماه‌های اخیر از فاز مقالات دانشگاهی به خطوط تولید تجاری TSMC و Intel راه یافته، فناوری پردازش درون حافظه (Compute-in-Memory یا CIM) است. در این پارادایم، المان‌های حافظه خود به ترانزیستورهای محاسباتی تبدیل می‌شوند. وزن‌های مدل به جای اینکه خوانده شده و به رجیسترها فرستاده شوند، در مقاومت الکتریکی المان‌های ذخیره‌ساز تثبیت گشته و ورودی‌ها با استفاده از قوانین پایه‌ای کیرشهف و اهم مستقیماً در محل حافظه جمع و ضرب می‌شوند.
شبکه‌های عصبی اسپایکینگ (SNN) در برابر ترنسفورمرهای سنتی؛ پردازش ناهمگام و رویدادمحور
مغز بیولوژیکی ما انسان‌ها مانند یک کارت گرافیک امروزی عمل نمی‌کند؛ نورون‌های زنده به طور مداوم و با کلاک ثابت در حال ضرب مقادیر ممیز شناور (FP32 یا INT8) نیستند. در عوض، سلول‌های عصبی در آرامش سکوت کامل به سر می‌برند تا زمانی که یک محرک حسی جدید ایجاد شود؛ در آن هنگام، پالس‌های الکتریکی بسیار کوتاهی به نام اسپایک (Spike) مخابره می‌گردد. شبکه‌های عصبی اسپایکینگ (Spiking Neural Networks یا نسل سوم هوش مصنوعی) دقیقاً این مکانیسم ظریف را بازسازی می‌کنند.
در شبکه‌های SNN، اطلاعات نه در مقدار ولتاژ یا اعداد پیوسته، بلکه در زمان‌بندی دقیق و فواصل بین پالس‌های ولتاژ (Spike Timing) کدگذاری می‌شوند. این امر به شتاب‌دهنده‌های نیورومورفیک اجازه می‌دهد از پردازش مبتنی بر رویداد (Event-Driven Processing) بهره‌مند گردند. هنگامی که سنسورهای بینایی یک پهپاد یا ربات تصویری ایستا و بدون تغییر را رصد می‌کنند، مصرف برق سیلیکون به صفر نزدیک می‌شود و تنها در لحظه عبور یک مانع یا تغییر جهت، زنجیره‌ای از اسپایک‌های کم‌مصرف شلیک می‌گردد.
تلفیق این ساختار ناهمگام با دستاوردهای نوین در معماری مدل‌های بینایی-زبانی فضایی Spatial VLM، ربات‌ها را قادر ساخته تا با بودجه توان تنها ۳ وات، در محیط‌های سه‌بعدی پیچیده به صورت بلادرنگ استدلال هندسی کنند و موانع دینامیک را بدون حتی یک میلی‌ثانیه تاخیر شناسایی نمایند.
فناوری حافظه‌های مقاومتی ReRAM و ممریستورها؛ محاسبه آنالوگ درون ماتریس‌های ذخیره‌سازی
قلب تپنده تراشه‌های پردازش در حافظه دوران معاصر را قطعات حالت جامد جدیدی به نام ممریستورها (Memristors) و حافظه‌های دسترسی تصادفی مقاومتی (Resistive RAM یا ReRAM) تشکیل می‌دهند. برخلاف سلول‌های DRAM سنتی که برای نگهداری بار الکتریکی خازن‌ها نیازمند رفرش مداوم و پرمصرف هستند، ممریستورها مقاومت الکتریکی خود را حتی پس از قطع کامل برق حفظ می‌کنند و رفتار سیناپس‌های حافظه‌ای را شبیه‌سازی می‌نمایند.
در آرایه‌های متقاطع (Crossbar Arrays) مبتنی بر ReRAM، هزاران رسانای عمودی و افقی در محل تقاطع خود به یک لایه اکسید فلزی چندنانومتری متصل شده‌اند. با اعمال ولتاژ ورودی به این خطوط، جریان خروجی از حاصل‌ضرب ولتاژ در رسانایی سیناپسی حاصل شده و مجموع جریان‌ها طبق قانون کیرشهف بلافاصله استخراج می‌گردد. این یعنی محاسبات فوق‌سنگین ضرب ماتریس در بردار (GEMV) که در ترنسفورمرها تکرار می‌شود، با سرعت نور و به صورت تمام‌آنالوگ درون خود سلول حافظه رخ می‌دهد.
این فناوری به ویژه با سرعت شگفت‌انگیز اینترکانکت‌های نوری و سیلیکون فوتونیک هماهنگ است؛ زیرا خروجی‌های آنالوگ با کمترین میزان تبدیل و اتلاف حرارتی می‌توانند میان کلاسترهای چندموجی جابه‌جا شده و چگالی محاسباتی را چندین مرتبه ارتقا دهند.
استقرار مدل‌های بنیادی بر لبه؛ انقلاب تراشه‌های نیورومورفیک در بازوهای رباتیک و ایمپلنت‌ها
عرضه تجاری پردازنده‌های نیورومورفیک نظیر Intel Loihi 3 و تراشه‌های سفارشی استارتاپ‌های پیشرو در اواخر، استقرار مدل‌های زبانی-دیداری بزرگ را روی گجت‌های پوشیدنی و ایمپلنت‌های پزشکی ممکن کرده است. در حالی که پیش‌تر یک مینی‌کامپیوتر برای اجرای مدل ۵ میلیارد پارامتری به ۴۰ وات توان و خنک‌کننده فعال پر سر و صدا احتیاج داشت، تراشه‌های ReRAM نیورومورفیک کنونی همان مدل را با مصرفی کمتر از ۱.۸ وات به صورت پیوسته اجرا می‌کنند.
یکی از درخشان‌ترین کاربردهای این تحول، در پروتزهای عصبی و بازوهای مکانیکی زیست‌پزشکی نمود یافته است. سنسورهای تاندونی و پوستی مستقیماً پالس‌های عصبی ماهیچه را به اسپایک‌های قابل فهم برای چیپ نیورومورفیک ترجمه می‌کنند و بیمار بدون کوچک‌ترین تاخیر حس لامسه و کنترل ارادی انگشتان را بازمی‌یابد. این یکپارچگی ارگانیک، خط بطلانی بر وابستگی به سرورهای ابری و خطرات قطع ارتباط رادیویی کشیده است.
بدین ترتیب، جهان فناوری در اواخر وارد عصری شده که در آن ادراک ماشینی دیگر به کلاسترهای ابری داغ و تشنه برق محدود نیست؛ بلکه به کمک مغزافزارهای سیلیکونی، هوش مصنوعی همچون جریان حیات در ریزترین اجزای دنیای ملموس ما جریان یافته است.
⚠️ سلب مسئولیت پزشکی
اطلاعات و داده‌های ارائه‌شده در این مقاله صرفاً با هدف افزایش آگاهی در زمینه فناوری‌های سلامت منتشر شده است و نباید به عنوان توصیه، تشخیص یا پروتکل درمانی پزشکی تلقی گردد. پیش از هرگونه تصمیم‌گیری یا تغییر در برنامه‌های سلامت فردی، با پزشک متخصص مشورت نمایید.
بیشتر از هوش مصنوعی
