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
ارسال به دوستان
استان سمنان میزبان یک گورستان هخامنشی است؛ از مرسین چه می‌دانیم؟(+عکس) موتورولا Razr 70 Plus لو رفت؛ عضو جدید خانواده تاشوهای Razr در راه بازار جهانی عدس یا نخود؟ کدام یک پروتئین و فیبر بیشتری دارد؟ مکمل کلاژن واقعاً برای پوست و مفاصل مفید است؟ کشف چشمه های داغ ۳۰۰ درجه ای زیر دریای یخ زده جنوبگان چرا گاهی دروغ‌های خودمان را باور می‌کنیم؟ بهترین زمان مصرف ماهی برای دریافت امگا-۳ و سلامت قلب آیفون با iOS 27 عکس های شما را حرفه ای تر ویرایش می کند ۶ روش ساده برای مغذی تر و خوش طعم تر کردن آب آشامیدنی شیائومی 17T و 17T Pro چه مشخصاتی دارند؟ پرورش هندوانه هایی به اندازه تخم مرغ (+عکس) از کجا بفهمیم چه نوع پوستی داریم؟ راهنمای ساده برای انتخاب روتین مراقبت پوست ویژگی جدید Google Translate برای یادگیری زبان نخستین باری که یک پادشاه بریتانیایی قدم بر خاک آمریکا گذاشت/ منوی عجیب روزولت برای مهمان‌ها کمتر کسی این ۱۲ نکته درباره علت زود خراب شدن کفش‌ها را می‌داند