فیلم بیشتر »»
کد خبر ۱۱۳۳۶۳۴
تاریخ انتشار: ۱۵:۳۳ - ۲۹-۱۰-۱۴۰۴
کد ۱۱۳۳۶۳۴
انتشار: ۱۵:۳۳ - ۲۹-۱۰-۱۴۰۴

کاهش ۱۰۰ برابری مصرف انرژی هوش مصنوعی توسط ژاپنی ها

کاهش ۱۰۰ برابری مصرف انرژی هوش مصنوعی توسط ژاپنی ها
محققان ژاپنی، دستگاهی مبتنی بر گرافن و ژل یونی توسعه داده‌اند که با الهام از ساختار مغز، محاسبات یادگیری ماشین را تا ۱۰۰ برابر کم‌مصرف‌تر می‌کند.
با رشد روزافزون استفاده از فناوری‌های یادگیری ماشین، مصرف انرژی این سیستم‌ها نیز به طور قابل توجهی افزایش یافته و نیاز به دستگاه‌های هوش مصنوعی با مصرف انرژی پایین و عملکرد محاسباتی بالا بیش از پیش احساس می‌شود.
 
در این میان، دستگاه‌های موسوم به “Physical Reservoirs” یا رزرویرهای فیزیکی، به دلیل پردازش اطلاعات الهام‌گرفته از مغز و توانایی انجام محاسبات کم‌مصرف با بار محاسباتی پایین مورد توجه قرار گرفته‌اند. با این حال، عملکرد محاسباتی پایین‌تر نسبت به پردازش نرم‌افزاری تاکنون یک محدودیت جدی بوده است.
 
محققانی از مرکز علوم مواد ملی ژاپن (NIMS)، دانشگاه توکیو و دانشگاه کوبه موفق به توسعه یک دستگاه مبتنی بر ترانزیستور لایه دوگانه الکتریکی با ژل یونی و گرافن (Ion-Gel/Graphene Electric Double Layer, EDL) شدند که با عنوان Ion-Gating Reservoir (IGR) شناخته می‌شود. این دستگاه عملکرد محاسباتی بسیار بالایی ارائه می‌دهد که با یادگیری عمیق نرم‌افزاری قابل مقایسه است، در حالی که بار محاسباتی را به حدود یک‌صدم کاهش می‌دهد.
 
کلید موفقیت این سیستم در ترکیب گرافن با تحرک الکترونی بالا و رفتار امبی‌پلاری (ambipolar) و ژل یونی نهفته است. تعامل پیچیده بین یون‌ها و الکترون‌ها موجب می‌شود که دستگاه بتواند به سیگنال‌های ورودی با ثوابت زمانی گسترده و متغیر پاسخ دهد و انواع پاسخ‌ها با سرعت‌های مختلف ایجاد شود. این ویژگی، انعطاف و دقت بالای محاسباتی را به همراه دارد.
 
به گفته محققان، این دستگاه که به Physical Reservoir Computing شهرت دارد، عملکرد بالاترین سطح را در میان رزرویرهای فیزیکی مرسوم ارائه کرده و توانسته مصرف انرژی و بار پردازشی را به شدت کاهش دهد. علاوه بر این، طراحی مبتنی بر گرافن و ژل یونی به این سیستم اجازه می‌دهد تا به راحتی با الکترونیک انعطاف‌پذیر و دستگاه‌های لبه‌ای نسل آینده سازگار شود، که این موضوع آن را به گزینه‌ای مناسب برای کاربردهای پیشرفته هوش مصنوعی تبدیل می‌کند.
 
این نوآوری می‌تواند تحولی در ساخت تراشه‌های کم‌مصرف هوش مصنوعی، پردازش داده‌های لبه‌ای و اینترنت اشیا (IoT) مبتنی بر یادگیری ماشین ایجاد کند و نشان دهد که ترکیب مواد پیشرفته مانند گرافن با طراحی الهام‌گرفته از مغز، می‌تواند اثربخشی و پایداری انرژی سیستم‌های هوشمند را به شدت افزایش دهد.
 
منبع: ایرنا
پربیننده ترین پست همین یک ساعت اخیر
ارسال به دوستان
captcha
این جمله‌ها را به فرد مضطرب نگویید؛ حالش را بدتر می‌کند اضطراب چطور بیماری‌های جسمی را شعله‌ور می‌کند؟ | هشدار روانپزشک به کنترل اضطراب با ورزش ذهن‌آگاهی چیست و چگونه تمرین می‌شود؟ آموزش ساده برای حضور در لحظه چرا قورمه سبزی آب می‌اندازد یا تلخ می‌شود؟ راهکار رفع شوری، سفتی گوشت و لوبیا بدون خرید وسایل گران، خانه‌تان را نو کنید! ؛ ۱۲ ترفند ساده دکوراسیون راهنمای کامل هوش هیجانی؛ هوش هیجانی چیست و چگونه آن را تقویت کنیم؟ شامی کَوو لرستانی/ طرز تهیه یک شامی متفاوت با گردو و رب‌انار ۱۰ عادت رایج که بی‌سروصدا پول‌تان را هدر می‌دهند شفقت به خود چیست؟ راهنمای گام‌به‌گام برای رهایی از صدای منتقد درون روان‌شناسی چیست؟ تعریف، کاربردها و راهنمای ساده یادگیری روان‌شناسی طرز تهیه خورشت داود پاشا؛ غذای ترکی با طعم ملس رب انار و کوفته‌های قلقلی افکار منفی چیست و چرا ذهن ما را درگیر می‌کند؟ طلایی‌ترین زمان برای تراپی! چرا مغز انسان بخشی از اطلاعات را فراموش می‌کند؟ آموزش ابراز وجود، کلید غلبه نوجوانان قربانی قلدری بر آسیب‌ها