Dalam bidang ilmu komputer yang baru muncul ini, para ilmuwan memodelkan otak untuk membuat komputer lebih cepat dan lebih efektif. Selama beberapa dekade terakhir kita telah menyaksikan revolusi teknologi yang ditimbulkan oleh penciptaan prosesor komputer berdasarkan silikon dan bahan semikonduktor lainnya.
Komputer dulunya berukuran seluruh ruangan, tetapi sejak itu telah direduksi menjadi satu chip. Hukum Moore, sebuah konsep yang digunakan oleh Gordon Moore pada tahun 1965 untuk menggambarkan pengamatan bahwa jumlah komponen per chip yang terintegrasi akan berlipat ganda setiap dua tahun, menyebabkan komputer semakin cepat, telah menjadi kekuatan pendorong di balik tren ini.
Tetapi karena tuntutan komputasi meningkat karena kemajuan komputer, robot, internet of things (IoT), dan mesin pintar, industri semikonduktor telah mencapai titik di mana tidak mungkin lagi membuat miniatur chip komputer. Sebenarnya hanya ada begitu banyak transistor yang dapat ditampung dalam satu chip.
Akibatnya, ilmuwan komputer beralih ke pendekatan komputasi yang benar-benar baru, yang dikenal sebagai "komputasi neuromorfik", di mana komputer dirancang untuk beroperasi serupa dengan otak manusia dan berinteraksi dengan dunia luar.
Bidang studi ini semakin populer dan dianggap sebagai tahap fundamental dalam pembuatan perangkat keras komputer dan sistem kecerdasan buatan. Kami membahas semua yang perlu Anda ketahui tentang bidang yang sedang berkembang ini dan apa artinya bagi masa depan ilmu komputer.
Bagaimana otak memproses dan menyimpan informasi?
Sebelum beralih ke perangkat neuromorfik dan aplikasinya, yang terbaik adalah membahas fenomena biologis yang memotivasi bidang ini (plastisitas sinaptik). Ini adalah kemampuan luar biasa dari otak manusia untuk berubah dan beradaptasi dengan informasi baru. Untuk menilai ini dengan benar, pertama-tama kita harus membahas pengoperasian dasar "pusat komputer" kita sendiri.
Sel pembawa pesan di otak disebut neuron. Mereka semua saling berhubungan, berkat sinapsis, situs penghubung yang menghubungkan mereka semua dalam jaringan luas tempat impuls elektronik dan sinyal kimia ditransmisikan. Mereka berkomunikasi satu sama lain menggunakan "paku", yang merupakan semburan listrik pendek yang panjangnya milidetik.
Memori di komputer dapat ditingkatkan hanya dengan menambahkan lebih banyak sel memori, tetapi di otak, memori diproduksi dengan memperkuat koneksi antar neuron dan membuat koneksi baru. Ketika dua neuron terhubung lebih erat satu sama lain, kita dapat mengatakan bahwa bobot sinaptik dari sinaps yang terhubung meningkat. Sekitar 10 di otak kita12 Ada neuron dan mereka terhubung satu sama lain 10.15 Mereka berkomunikasi melalui sinapsis. Koneksi ini dan tingkat komunikasi di antara mereka berfluktuasi dari waktu ke waktu dan jumlah rangsangan atau lonjakan yang diterima sehingga otak dapat beradaptasi dengan lingkungan yang berubah, membentuk, dan melestarikan ingatan.
Sangat penting untuk memahami potensiasi dan depresi, dua mekanisme utama plastisitas sinaptik, di mana koneksi sinaptik secara bertahap menguat atau melemah dan memainkan peran penting dalam pembelajaran dan memori. Ini dimungkinkan dalam rentang waktu apa pun dari detik hingga jam atau lebih.
Lonjakan frekuensi yang lebih tinggi, seperti yang terjadi saat mempelajari keterampilan baru, dihipotesiskan terkait dengan perkembangan memori jangka panjang dengan memperkuat atau memperkuat sinapsis tertentu. Di sisi lain, rangsangan frekuensi yang lebih rendah menyebabkan depresi dan akibatnya melemahnya koneksi (atau bobot sinaptik) di persimpangan sinaptik yang relevan, yang mirip dengan melupakan sesuatu yang dipelajari.
Harus ditekankan bahwa ini sedikit penyederhanaan dan bahwa pemberdayaan dan depresi tidak hanya bergantung pada frekuensi ketukan tetapi juga pada waktunya. Misalnya, ketika banyak neuron mengirim lonjakan ke sinaps pada saat yang sama, bobot sinaptik meningkat jauh lebih cepat daripada rangkaian pulsa.
Peneliti harus berpikir out of the box untuk sengaja meniru proses ini karena sangat canggih dan kompleks.
Bagaimana cara kerja komputer neuromorfik?
Arsitektur von Neumann yang digunakan untuk membangun komputer modern didasarkan pada ide yang pertama kali dikembangkan oleh Alan Turing pada tahun 1930-an. Konfigurasi ini memerlukan pemisahan memori dan unit pemrosesan data, yang memperlambat kinerja karena data harus dikirim bolak-balik antara keduanya dan menghabiskan lebih banyak daya secara tidak perlu.
Komputer neuromorfik, di sisi lain, menggunakan arsitektur chip yang menggabungkan komputasi dan memori dalam satu komponen. Dalam hal perangkat keras, area ini berkembang dan mencakup desain baru yang canggih, berbagai material, dan komponen komputer baru.
Para peneliti dari seluruh dunia sedang bekerja untuk membuat jaringan sintetis neuron dan sinapsis yang meniru fleksibilitas otak, menggunakan bahan organik dan anorganik. Sebagian besar komputer neuromorfik skala besar yang ada saat ini, seperti IBM's TrueNorth, Intel's Loihi, dan BrainScales-2, menggunakan transistor berdasarkan teknologi semikonduktor oksida logam yang telah terbukti.
Komputer Von Neumann sering menggunakan transistor sebagai salah satu blok bangunan elektronik. Ada ratusan jenis transistor, dengan transistor efek medan semikonduktor oksida logam atau MOSFET menjadi yang paling populer. Mereka terutama berfungsi sebagai sakelar (dan pada tingkat lebih rendah sebagai penguat) untuk arus listrik di dalam chip komputer.
Ini memungkinkan setiap transistor berada dalam keadaan hidup atau mati, yang setara dengan biner 1 atau 0, dan mencegah atau membiarkan arus mengalir, memungkinkannya ada di kedua keadaan. Prinsip operasi ini membuatnya sangat mudah untuk menyimpan dan memproses informasi, itulah sebabnya sel memori elektronik dan gerbang logika telah menjadi komponen penting dunia digital kita.
Namun, sinyal listrik di otak kita bukan hanya 0 dan 1. Misalnya, koneksi antar sinapsis mungkin memiliki "bobot" atau kepadatan yang berbeda.
Banyak alat telah dibuat untuk mensimulasikan ini pada komputer neuromorfik. Sebuah "lapisan aktif" yang memodulasi sinyal antar unit termasuk dalam jenis transistor semikonduktor tertentu yang dikenal sebagai transistor sinaptik polimer. Konduktivitas, dan keluaran sinyal, dipengaruhi oleh komposisi spesifik polimer konduktif yang digunakan untuk membentuk lapisan ini.
Ketika frekuensi voltase tertentu diterapkan melalui transistor, lapisan aktif berubah, menyebabkan depresi atau amplifikasi pada sinyal listrik yang sebanding dengan lonjakan aktivitas otak. Pada dasarnya begitulah plastisitas masuk, dan setiap lonjakan berisi data numerik tentang frekuensi, waktu, ukuran, dan bentuk. Paku dapat dikonversi ke nilai biner dan sebaliknya, tetapi proses yang tepat untuk melakukan ini sedang diselidiki.
Para peneliti telah melaporkan cara yang semakin kreatif untuk meniru struktur otak menggunakan komponen buatan seperti memristor, kapasitor, perangkat spintronik, dan bahkan beberapa upaya menarik untuk melakukan komputasi neuromorfik menggunakan jamur. Perangkat keras neuromorfik juga tidak hanya terbatas pada transistor.
Bagaimana cara memprogram komputer neuromorfik?
Jaringan saraf tiruan (JST) sering digunakan oleh komputer neuromorfik untuk melakukan tugas komputasi. Spiking neural network (SNN), salah satu dari banyak varian JST, sangat menarik karena dibangun di atas neuron sintetik yang berinteraksi satu sama lain dengan bertukar sinyal listrik yang dikenal sebagai "paku" dan memasukkan waktu ke dalam modelnya. Akibatnya, sistem ini menggunakan lebih sedikit energi karena neuron buatan hanya menyiarkan informasi ketika jumlah lonjakan yang mereka terima melebihi ambang batas tertentu.
Sebelum jaringan dapat mulai bekerja, itu harus diprogram, atau dengan kata lain dipelajari. Ini dicapai dengan memberinya fakta-fakta yang dapat dia ambil. Strategi pembelajaran dapat bervariasi sesuai dengan jenis JST. Misalnya, jika jaringan dilatih untuk mengenali kucing atau anjing dalam foto, ribuan gambar dapat diberi tag "kucing" atau "anjing" untuk melatih subjek mengenalinya sendiri di pekerjaan mendatang. Memanipulasi warna setiap piksel pada gambar membutuhkan perhitungan yang sangat melelahkan untuk identifikasi.
Ada berbagai JST dan mana yang akan digunakan tergantung pada kebutuhan pengguna. Meskipun SNN menarik karena konsumsi dayanya yang rendah, mereka umumnya sulit untuk dilatih, sebagian besar karena dinamika sarafnya yang kompleks dan sifat proses spiking yang tidak dapat dibedakan.
Di mana komputasi neuromorfik digunakan?
Menurut para ahli, perangkat neuromorfik akan melengkapi daripada menggantikan perangkat keras komputer tradisional, terutama dalam hal memecahkan masalah teknologi tertentu. Meskipun ada klaim bahwa komputer neuromorfik dapat mensimulasikan logika Boolean, ide mendasar dalam bahasa pemrograman modern, hal ini menunjukkan bahwa komputer neuromorfik berpotensi melakukan komputasi tujuan umum.
Bagaimanapun, area dan aplikasi di mana otak lebih unggul dari komputer tradisional dalam hal efisiensi energi dan kecepatan komputasi akan menemukan komputasi neuromorfik sangat mengesankan.
Ini termasuk menerapkan kecerdasan buatan (AI) untuk melakukan tugas kognitif secara efektif seperti identifikasi suara atau gambar, serta membuka kemungkinan baru untuk robotika, penginderaan, dan perawatan kesehatan (untuk beberapa nama).
Meskipun subjeknya masih dalam masa pertumbuhan dan ada rintangan yang harus diatasi, komputasi neuromorfik menjadi semakin populer dan menawarkan alternatif yang layak untuk sistem komputer tradisional.
Sumber: advancedsciencenews
Günceleme: 14/03/2023 15:25