پردازنده‌های نورومورفیک و شبکه‌های عصبی ضربه‌ای
پایان مصرف سرسام‌آور انرژی تراشه‌های هوش مصنوعی؛ پردازنده‌های نورومورفیک دوران کنونی با تقلید دقیق از شلیک سیناپس‌های مغز انسان، محاسبات سنگین را با کمتر از یک میلی‌وات برق انجام می‌دهند.
- تحلیل عمیق و فنی تحولات ساختاری صنعت نیمه‌رسانا امروزه و فراگیری پردازنده‌های نورومورفیک (Neuromorphic Computing). بررسی پایان دوران سلطه کلاک سنتی و مدل محاسباتی فون‌نیومن؛ واکاوی عملکرد معماری شبکه‌های عصبی ضربه‌ای (Spiking Neural Networks) و تراشه‌های نسل سوم اینتل نظیر Loihi 3، SynSense Speck 2 و BrainChip Akida 2. تشریح نحوه پردازش ناهمگام و رویدادمحور داده‌های سنسورهای بینایی DVS، کاهش مصرف توان پردازش هوش مصنوعی لبه به چند میلی‌وات و ارزیابی فریم‌ورک متن‌باز Lava-NC در تسریع اتوماسیون رباتیک و پهپادهای خودران بدون نیاز به ابر.
- بررسی جامع ابعاد فنی و کاربردی توسط تحریریه ماگ بیت.
- پیش‌بینی اثرات کوتاه‌مدت و بلندمدت بر اکوسیستم فناوری.
سقوط قانون دنارد و سد حافظه؛ چرا معماری فون‌نیومن در کلاسترهای هوش مصنوعی فرسوده شد؟
برای بیش از هفت دهه، شالوده دنیای دیجیتال بر پایه معماری کلاسیک فون‌نیومن و جدایی فیزیکی واحدهای پردازشی (CPU/GPU) از واحدهای ذخیره‌سازی حافظه (DRAM) استوار بود. با انفجار مدل‌های هوش مصنوعی تریلیون‌پارامتری در نیمه نخست دهه ۲۰۲۰، انتقال مداوم تانسورهای داده از گذرگاه‌های پرمصرف مس و حافظه‌های HBM به مهم‌ترین گلوگاه مصرف برق و تولید حرارت کلاسترها — موسوم به دیوار حافظه (Memory Wall) — تبدیل گردید.
در سامانه‌های سنتی سنکرون، میلیاردها ترانزیستور با هر تیک کلاک سیستم وادار به نوسان می‌شوند، حتی اگر داده‌ای برای پردازش وجود نداشته باشد. این اتلاف توان ایستا در تجهیزات لبه شبکه و اینترنت اشیا که متکی به باتری‌های کوچک هستند، پیاده‌سازی هوش مصنوعی بلادرنگ را تقریباً ناممکن ساخته بود.
همان‌طور که در واکاوی پردازش درون‌حافظه‌ای و درایوهای محاسباتی CSD اشاره شد، کاهش جابه‌جایی داده ضرورتی انکارناپذیر برای بقای مراکز داده است. امروزه جهش اساسی با الهام مستقیم از معماری فوق‌بهینه مغز انسان رقم خورد؛ جایی که پردازش و حافظه در قالب گره‌های سیناپسی کاملاً در هم آمیخته شده‌اند.
مکانیسم شبکه‌های عصبی ضربه‌ای (SNN) و سنسورهای بینایی رویدادمحور
برخلاف شبکه‌های عصبی عمیق متداول (ANN) که محاسبات را به صورت ماتریکس‌های متراکم از اعداد ممیز شناور (FP16/INT8) انجام می‌دهند، شبکه‌های عصبی ضربه‌ای (Spiking Neural Networks) از کدهای زمانی مبتنی بر اسپایک (Spike) استفاده می‌کنند. در این ساختار، اطلاعات نه با مقدار عددی پیوسته، بلکه با زمان دقیق شلیک پالس‌های ولتاژ (Action Potentials) تک‌بیتی کدگذاری می‌شوند.
تلفیق این تراشه‌ها با سنسورهای بینایی رویدادمحور (Dynamic Vision Sensors یا DVS) تحولی شگرف ایجاد کرده است. سنسورهای DVS مانند چشم انسان فریم‌های تصویربرداری ۳۰ یا ۶۰ هرتزی تولید نمی‌کنند، بلکه پیکسل‌های مستقل آن‌ها تنها در صورتی که تغییر شدت نوری در میدان دید رخ دهد، یک پالس اسپایک شلیک می‌نمایند. در نتیجه، صحنه‌های ایستا هیچ باری بر پردازنده تحمیل نمی‌کنند و پهنای باند و انرژی مصرفی تا ۹۹ درصد کاهش می‌یابد.
همان‌طور که در پژوهش جهش شتاب‌دهنده‌های محاسباتی فوتونیک و شبکه‌های عصبی نوری نشان داده شد که حرکت در سرعت‌های بالا نیازمند حذف سربار اتصالات است، پردازنده‌های نورومورفیک نیز با ساختار مسیریابی بسته ناهمگام (Asynchronous NoC) داده‌ها را با تاخیر زیر ۱۰۰ نانوثانیه منتقل می‌سازند.
تحلیل سخت‌افزاری تراشه Intel Loihi 3 و اکوسیستم نرم‌افزاری متن‌باز Lava-NC
پیشتاز این عرصه امروزه تراشه نورومورفیک نسل سوم اینتل یعنی Loihi 3 است که بیش از ۲ میلیون نورون ضربه‌ای و ۲۵۰ میلیون سیناپس یادگیرنده را بر روی یک قالب سیلیکونی ۴ نانومتری یکپارچه ساخته است. این تراشه با پشتیبانی از قواعد پلاستیسیته سیناپسی متصل وابسته به زمان (STDP)، قادر است در حین کار در محیط‌های واقعی به صورت برخط و بدون نیاز به دوره‌های آموزش سنگین در ابر، الگوهای تازه را یاد بگیرد.
در سوی دیگر بازار تجهیزات فوق‌کم‌مصرف، شرکت SynSense با تراشه Speck 2 پردازش بینایی کامل را با مصرف توان حیرت‌انگیز زیر ۱ میلی‌وات ممکن ساخته است. این تراشه درون پهپادهای شناسایی به اندازه بند انگشت و ربات‌های جراحی میکرونی تعبیه شده تا مانع‌یابی هوشمند را با نرخ نمونه‌برداری ۱۰ هزار رویداد در ثانیه مدیریت کند.
جهش تجاری کنونی مدیون توسعه فریم‌ورک نرم‌افزاری جامع Lava-NC است. همان‌طور که ابزارهای کانتینری نوین در انقلاب مدل قطعات وب‌اسمبلی و ایزولاسیون بدون هسته توسعه ابری را ساده ساختند، Lava-NC نیز امکان کامپایل خودکار مدل‌های PyTorch به شبکه‌های اسپایکی و اجرای آن‌ها روی سیلیکون‌های نورومورفیک را برای مهندسان نرم‌افزار بدون نیاز به دانش عمیق فیزیک مدارهای مجتمع فراهم آورده است.
افق‌های روشن در اتوماسیون رباتیک فضایی، اینترنت اشیا و رایانش کوانتوم‌محور
کاربردهای پردازنده‌های نورومورفیک فراتر از حسگرهای پوشیدنی گسترش یافته است. در ماموریت‌های اکتشافی اعماق فضا نظیر کاوشگرهای قمرهای مشتری، که برقراری ارتباط با زمین ساعت‌ها به طول می‌انجامد و تابش‌های کیهانی مدارهای سنتی را تخریب می‌کنند، تراشه‌های نورومورفیک مقاوم در برابر تشعشع امکان تصمیم‌گیری کاملاً خودگردان و تطبیقی را برای ناوبری مریخ‌نوردها فراهم کرده‌اند.
همچنین در پروتزهای عصبی و ایمپلنت‌های مغز-رایانه، تطابق ذاتی پالس‌های الکتریکی تراشه‌های SNN با سیگنال‌های الکتروفیزیولوژیک قشر مغز، زمان پاسخ حرکتی دست‌های بیونیک را به کمتر از ۵ میلی‌ثانیه رسانده است که عملاً با سرعت پاسخ اعصاب طبیعی انسان برابری می‌کند.
دوران کنونی نقطه عطفی است که در آن رایانش نورومورفیک از یک کنجکاوی آزمایشگاهی دانشگاهی به ستون فقرات زیرساخت‌های الکترونیک هوشمند تبدیل شد؛ نویدبخش آینده‌ای که در آن دستگاه‌های هوشمند به جای تکیه بر مزارع غول‌پیکر داده، خود با کمترین جرقه انرژی، جهان را درک و اداره می‌کنند.
⚠️ 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 فناوری
