Yapay Nöronlar Bilgisayarların Daha Verimli Olabileceğini Gösteriyor
Araştırmacılar, yapay nöronların bilgisayar modellerinin, çağdaş bir bilgisayar işleme biriminin yapamadığı enerjiden tasarruf etmek için gerçek bir nöronun ne yaptığına ışık tutabilir.
Ateş ettiğinde, bir nöron, eşdeğer bir bilgisayar işleminden önemli ölçüde daha fazla enerji tüketir. Yine de, birleştirilmiş nöronlar ağı, en son teknolojiye sahip işlemciler için şu anda ulaşılamayan enerji düzeylerinde sürekli görevleri öğrenebilir, algılayabilir ve gerçekleştirebilir.
Simüle edilmiş silikon “nöronlar” kullanan araştırmacılar, bir sistem üzerindeki enerji kısıtlamalarının, içsel özellik nöronları ile birleştiğinde en düşük enerjili konfigürasyona geçmek zorunda olduklarını ve her ikisinin de daha sağlam dinamik, uzaktan iletişim protokolüne yol açtığını buldular. Ve geleneksel bilgisayar işlemcilerinden daha fazla enerji tasarrufu yapıyorlar.
Yapay Nöronlar İle Az Ama Öz
Bu, daha azıyla daha fazlasını yapma örneğidir.
Baş yazar Ahana Gangopadhyay, Shantanu Chakrabartty’nin St.Louis ‘McKelvey Mühendislik Okulu’ndaki Washington Üniversitesi’ndeki laboratuarında doktora öğrencisi, yapay silikon nöronlar üzerindeki enerji kısıtlamalarını incelemek için bilgisayar modellerini araştırıyor. Beynimizdeki nöronlarla aynı dinamikler ve davranışları sağlamak için çalışıyorlar.
Biyolojik nöronlar gibi, silikon muadilleri de ateş etmek veya yükselmek için belirli elektrik koşullarına bağlıdır. Bu sivri uçlar, nöronal iletişimin temelini oluşturur, ileri geri sıkıştırır, nörondan nörona bilgi taşır.
Araştırmacılar ilk önce tek bir nöron üzerindeki enerji kısıtlamalarına baktılar. Sonra bir çift. Sonra daha fazlasını eklediler.
Sistemler ve elektrik mühendisliği bölümü profesörü Chakrabartty, “Bu enerji kısıtlamalarının bazılarını, kendileri, sanal bir iletişim kanalı oluşturmak için kullanabileceğiniz yerlerde birleştirmenin bir yolunu bulduk” diyor.
Bir grup nöron ortak bir enerji kısıtlaması altında çalışır. Dolayısıyla, tek bir nöron yükseldiğinde, sadece doğrudan bağlı olduğu nöronlar için değil, aynı enerji kısıtlaması altında çalışan diğer herkes için mevcut enerjiyi mutlaka etkiler.
Beyinde Sanal Hata?
Chakrabartty’nin laboratuvarında lisans öğrencileri olan Li Xiang ve Zeheng Song, bir konektomu (nöronların gerçek, biyolojik bir birleşiminin bir temsili) oluşturabildi. Modellerini ve yaklaşık 10 milyon silikon nöronu kullanarak dinamiklerini taklit edebildi.
“Bir böceğin beyninde yaklaşık 1 milyon nöron var” diyor Chakrabartty. “Bağlanabilirliğini tam olarak anlamıyoruz, ancak teoride bir böceğin beynini tamamen taklit edebilmeliyiz.”
Böylece, yükselen nöronlar sistemde bozulmalar yaratarak, her bir nöronun diğerlerinin hangi sivri uçlu olduğunu, yanıt verdiğini “bilmesini” sağlar. Sanki nöronlar lastik bir tabakaya gömülmüştü; başaktan kaynaklanan tek bir dalgalanma hepsini etkiler. Ve tüm fiziksel süreçler gibi, silikon nöron sistemleri en az enerjik durumlarına göre kendini optimize etme eğilimindeyken, ağdaki diğer nöronlar da onları etkiler.
Bu kısıtlamalar, ek bilgilerin dinamik fakat senkronize ani topoloji yoluyla iletilebildiği bir tür ikincil iletişim ağı oluşturmak için bir araya gelir. Kauçuk sivri, çoklu sivri uçlara tepki olarak senkronize bir ritimde titreşiyor gibidir.
Bu topoloji, yalnızca fiziksel olarak bağlı olan nöronlara değil. Aynı zamanda fiziksel olarak bağlı olmayanlar da dahil olmak üzere aynı enerji kısıtlaması altındaki tüm nöronlara iletilen bilgileri taşır.
Bu kısıtlamaların baskısı altında Chakrabartty, “Anında bir ağ kurmayı öğreniyorlar” diyor.
Bu, nöron A’nın C ile iletişim kurmak için önce B yoluyla bir sinyal göndermesi gereken doğrusal iletişim sürecinde enerjilerinin çoğunu kaybeden geleneksel bilgisayar işlemcilerinden çok daha verimli bir iletişim sağlar.
Chakrabartty, bu silikon nöronları bilgisayar işlemcileri için kullanmak için en iyi verimlilik-işleme hızı dengesini sağlıyor. Donanım tasarımcılarının bu ikincil ağdan yararlanmak için sistemler oluşturmasına izin verir. Yalnızca doğrusal olarak değil, aynı zamanda bu ikincil ani ağda ek hesaplama da yapabilir.
Bununla birlikte, bir sonraki adım, milyarlarca nöronu taklit edebilen bir simülatör oluşturmaktır. Daha sonra araştırmacılar fiziksel bir çip oluşturma sürecine başlayacaklar.
