Waktunya telah tiba untuk komputasi yang terinspirasi oleh struktur otak. Algoritma yang menggunakan jaringan saraf dan pembelajaran mendalam yang meniru beberapa aspek otak manusia memungkinkan komputer digital untuk mencapai ketinggian luar biasa dalam terjemahan bahasa, mencari pola yang sulit dipahami dalam jumlah besar data dan mengalahkan orang di Go.
Tetapi sementara para insinyur terus secara aktif mengembangkan strategi komputasi ini, yang mampu melakukan banyak hal, efisiensi energi dari komputasi digital mendekati batasnya. Pusat data dan superkomputer kami sudah mengonsumsi megawatt - 2% dari seluruh listrik yang dikonsumsi di AS digunakan untuk pusat data. Dan otak manusia bernilai 20 watt, dan ini adalah sebagian kecil dari energi yang terkandung dalam makanan sehari-hari yang dikonsumsi. Jika kita ingin meningkatkan sistem komputasi, kita perlu membuat komputer terlihat seperti otak.
Gelombang minat dalam teknologi neuromorfik dikaitkan dengan ide ini, menjanjikan untuk mengambil komputer di luar jaringan saraf sederhana, menuju sirkuit yang bekerja sebagai neuron dan sinapsis. Perkembangan sirkuit fisik yang mirip dengan otak sudah cukup berkembang dengan baik. Pekerjaan yang dilakukan di laboratorium saya dan lembaga-lembaga lain di seluruh dunia selama 35 tahun terakhir telah mengarah pada pembuatan komponen saraf buatan, mirip dengan sinapsis dan dendrit, yang bereaksi dan menghasilkan sinyal listrik dengan cara yang hampir sama dengan yang asli.
Jadi apa yang diperlukan untuk mengintegrasikan blok-blok bangunan ini ke dalam otak komputer yang lengkap? Pada 2013, Bo Marr, mantan mahasiswa pascasarjana saya di Institut Teknologi Georgia, membantu saya
mengevaluasi yang terbaik dari kemajuan modern di bidang teknik dan neurobiologi . Kami menyimpulkan bahwa adalah mungkin untuk membuat versi silikon dari korteks otak manusia menggunakan transistor. Selain itu, mesin terakhir akan menempati kurang dari satu meter kubik di ruang dan mengkonsumsi kurang dari 100 watt, yang tidak jauh berbeda dari otak manusia.
Saya tidak ingin mengatakan bahwa membuat komputer seperti itu akan mudah. Sistem yang kami ciptakan akan membutuhkan beberapa miliar dolar untuk pengembangan dan konstruksi, dan untuk membuatnya lebih ringkas, itu akan mencakup beberapa inovasi inovatif. Pertanyaan juga muncul tentang bagaimana kita akan memprogram dan melatih komputer semacam itu. Para peneliti neuromorfisme masih berjuang untuk memahami bagaimana membuat ribuan neuron buatan bekerja bersama dan bagaimana menemukan aplikasi yang berguna untuk aktivitas otak semu.
Namun demikian, fakta bahwa kita dapat menghasilkan sistem seperti itu menunjukkan bahwa kita tidak memiliki waktu lama sebelum munculnya chip skala kecil yang cocok untuk digunakan dalam elektronik portabel dan yang dapat dikenakan. Gadget semacam itu akan mengkonsumsi sedikit energi, sehingga chip neuromorfik dengan efisiensi energi tinggi - bahkan jika hanya mengambil sebagian dari perhitungan, katakanlah, pemrosesan sinyal - dapat menjadi revolusioner. Fitur yang ada, seperti pengenalan suara, dapat bekerja di lingkungan yang bising. Anda bahkan dapat membayangkan smartphone masa depan melakukan terjemahan pidato waktu nyata dalam percakapan antara dua orang. Pikirkan tentang ini: selama 40 tahun sejak munculnya sirkuit terintegrasi untuk pemrosesan sinyal, hukum Moore telah meningkatkan efisiensi energi mereka sekitar 1.000 kali. Chip neuromorfik yang sangat mirip otak dapat dengan mudah melampaui peningkatan ini, mengurangi konsumsi energi sebanyak 100 juta kali. Akibatnya, perhitungan yang sebelumnya membutuhkan pusat data pas di telapak tangan Anda.
Dalam mesin ideal yang mendekati otak, penting untuk menciptakan kembali analog dari semua komponen fungsional utama otak: sinapsis yang menghubungkan neuron dan memungkinkan mereka untuk menerima dan merespons sinyal; dendrit menggabungkan dan melakukan perhitungan lokal berdasarkan sinyal yang masuk; nukleus, atau soma, adalah wilayah dari masing-masing neutron, menggabungkan input dari dendrit dan mentransmisikan output ke akson.
Versi paling sederhana dari komponen dasar ini sudah diimplementasikan dalam silikon. Awal pekerjaan ini diberikan oleh semikonduktor logam-oksida yang sama, atau MOSFET, miliaran salinan yang digunakan untuk membangun sirkuit logika dalam prosesor digital modern.
Perangkat ini memiliki banyak kesamaan dengan neuron. Neuron bekerja melalui hambatan yang dikendalikan tegangan, dan aktivitas listrik dan kimianya bergantung terutama pada saluran di mana ion bergerak di antara ruang bagian dalam dan luar sel. Ini adalah proses analog yang mulus dengan akumulasi atau pengurangan sinyal yang konstan, alih-alih operasi on / off yang sederhana.
MOSFET juga dikontrol tegangan dan dioperasikan oleh pergerakan unit muatan individual. Dan ketika MOSFET beroperasi dalam mode "subthreshold", tanpa mencapai ambang tegangan, mengaktifkan dan menonaktifkan mode, jumlah arus yang mengalir melalui perangkat sangat kecil - kurang dari seperseribu dari arus yang dapat ditemukan di sakelar biasa atau gerbang digital.
Gagasan bahwa fisika transistor subthreshold dapat digunakan untuk membuat sirkuit seperti otak diungkapkan oleh Carver Mead dari Caltech, yang berkontribusi pada revolusi di bidang sirkuit terpadu super-besar di tahun 1970-an. Mil menunjukkan bahwa perancang chip tidak menggunakan banyak aspek menarik dari perilaku mereka, menggunakan transistor secara eksklusif untuk logika digital. Proses ini, seperti yang
ditulisnya pada tahun 1990 , mirip dengan fakta bahwa "semua fisika indah yang ada dalam transistor dihancurkan menjadi nol dan yang, dan kemudian gerbang AND dan OR dibangun dengan susah payah atas dasar ini untuk menciptakan kembali perkalian." Komputer yang lebih “fisik” atau fisika dapat melakukan lebih banyak perhitungan per unit energi daripada komputer digital konvensional. Mead meramalkan bahwa komputer seperti itu akan menghabiskan lebih sedikit ruang.
Pada tahun-tahun berikutnya, insinyur sistem neuromorfik menciptakan semua blok dasar otak dari silikon dengan akurasi biologis yang tinggi. Dendrit, akson, dan neuron soma dapat dibuat dari transistor standar dan elemen lainnya. Sebagai contoh, pada tahun 2005, Ethan Farquhar dan saya
membuat sirkuit saraf dari enam MOSFET dan sekelompok kapasitor. Model kami memancarkan impuls elektrik, sangat mirip dengan yang memancarkan cumi-cumi neuron ikan lele - objek eksperimen yang sudah lama ada. Selain itu, skema kami mencapai indikator tersebut dengan tingkat konsumsi saat ini dan energi yang dekat dengan yang ada di otak cumi-cumi. Jika kita ingin menggunakan sirkuit analog untuk memodelkan persamaan yang diturunkan oleh ahli saraf untuk menggambarkan perilaku ini, kita harus menggunakan 10 kali lebih banyak transistor. Melakukan perhitungan seperti itu pada komputer digital akan membutuhkan lebih banyak ruang.
Sinapsis dan lele: transistor gerbang mengambang (kiri atas), yang mampu menyimpan jumlah muatan yang berbeda, dapat digunakan untuk membuat array koordinat sinapsis buatan (kiri bawah). Versi elektronik dari komponen lain dari neuron, seperti lele (kanan), dapat dibuat dari transistor standar dan komponen lainnya.
Sinapsis sedikit lebih sulit untuk ditiru. Perangkat yang berperilaku seperti sinaps harus dapat mengingat keadaannya, merespons dengan cara tertentu terhadap sinyal yang masuk, dan menyesuaikan responsnya dari waktu ke waktu.
Ada beberapa pendekatan potensial untuk membuat sinapsis. Yang paling berkembang di antaranya adalah
synapse pembelajaran transistor tunggal (STLS), yang saya dan rekan kerja saya di Kaltech kerjakan pada 1990-an, ketika saya masih mahasiswa pascasarjana di Mead.
Kami pertama kali memperkenalkan STLS pada tahun 1994, dan itu telah menjadi alat penting bagi para insinyur membuat sirkuit analog modern - misalnya, jaringan saraf fisik. Dalam jaringan saraf, setiap node dalam jaringan memiliki bobot yang terkait dengannya, dan bobot ini menentukan bagaimana data dari berbagai node digabungkan. STLS adalah perangkat pertama yang mampu memuat satu set bobot yang berbeda dan pemrograman ulang dengan cepat. Selain itu, perangkat ini tidak mudah menguap, yaitu, ia mengingat kondisinya, bahkan ketika tidak digunakan - keadaan ini secara signifikan mengurangi kebutuhan energi.
STLS adalah jenis transistor gerbang mengambang, perangkat yang digunakan untuk membuat sel dalam memori flash. Dalam MOSFET konvensional, gerbang mengontrol arus yang melewati saluran. Transistor gerbang mengambang memiliki gerbang kedua, antara gerbang listrik dan saluran. Rana ini tidak terhubung langsung ke bumi atau komponen lainnya. Berkat isolasi listrik ini, diperkuat dengan isolator silikon berkualitas tinggi, muatannya disimpan di gerbang mengambang untuk waktu yang lama. Rana ini dapat mengambil jumlah muatan yang berbeda, dan karenanya dapat memberikan respons listrik pada banyak tingkatan - dan ini diperlukan untuk membuat sinaps buatan yang dapat memvariasikan responsnya terhadap stimulus.
Rekan-rekan saya dan saya menggunakan STLS untuk menunjukkan jaringan koordinat pertama, model komputasi yang populer dengan para peneliti layanan nano. Dalam array dua dimensi, perangkat terletak di persimpangan jalur input dari atas ke bawah dan jalur output dari kiri ke kanan. Konfigurasi seperti ini berguna karena memungkinkan Anda untuk memprogram kekuatan penghubung dari masing-masing "sinaps" secara terpisah, tanpa mengganggu elemen array lainnya.
Terima kasih khususnya untuk program DARPA baru-baru ini yang disebut
SyNAPSE , rekayasa neuromorphing telah memacu penelitian tentang sinapsis buatan yang terbuat dari layanan nano seperti memristor, memori resistif dan memori fase-keadaan, serta perangkat gerbang mengambang. Tetapi sinapsis artifisial baru ini akan sulit ditingkatkan berdasarkan array dengan shutter mengambang dua puluh tahun yang lalu. Memristor dan jenis memori baru lainnya sulit diprogram. Arsitektur beberapa di antaranya sedemikian rupa sehingga cukup sulit untuk mengakses perangkat tertentu dalam array koordinat. Lainnya memerlukan transistor khusus untuk pemrograman, yang secara signifikan meningkatkan ukurannya. Karena memori dengan rana mengambang dapat diprogram untuk berbagai nilai, lebih mudah untuk menyesuaikan untuk mengkompensasi penyimpangan produksi dari perangkat ke perangkat dibandingkan dengan layanan nano lainnya. Beberapa kelompok penelitian yang mempelajari perangkat neuromorfik mencoba memasukkan nanodevices ke dalam desain mereka dan sebagai hasilnya mulai menggunakan perangkat rana mengambang.
Dan bagaimana kita menggabungkan semua komponen seperti otak ini? Di otak manusia, neuron dan sinapsis saling terkait. Pengembang chip neuromorfik juga harus memilih pendekatan terintegrasi dengan penempatan semua komponen pada satu chip. Tetapi di banyak laboratorium Anda tidak akan menemukan ini: untuk membuatnya lebih mudah untuk bekerja dengan proyek-proyek penelitian, unit-unit basis individu terletak di tempat yang berbeda. Sinapsis dapat ditempatkan dalam array di luar chip. Koneksi dapat melalui chip lain, sebuah array gerbang yang dapat diprogram pengguna (FPGA).
Tetapi ketika menskala sistem neuromorfik, Anda perlu memastikan bahwa kami tidak menyalin struktur komputer modern yang kehilangan sejumlah besar energi dengan mentransfer bit ke sana kemari antara logika, memori dan penyimpanan. Saat ini, komputer dapat dengan mudah mengonsumsi energi 10 kali lebih banyak untuk memindahkan data daripada untuk komputasi.
Otak, sebaliknya, meminimalkan konsumsi energi komunikasi karena tingginya lokalisasi operasi. Elemen memori otak, seperti daya sinapsis, dicampur dengan komponen pemancar sinyal. Dan "kabel" otak - dendrit dan akson yang mengirimkan sinyal masuk dan impuls keluar - biasanya pendek jika dibandingkan dengan ukuran otak, dan mereka tidak membutuhkan banyak energi untuk mempertahankan sinyal. Dari anatomi, kita tahu bahwa lebih dari 90% neuron terhubung hanya dengan 1.000 yang bertetangga.
Pertanyaan besar lainnya bagi pencipta chip dan komputer seperti otak adalah algoritma yang harus bekerja pada mereka. Bahkan sistem yang sedikit seperti otak dapat memberikan keuntungan besar daripada yang digital konvensional. Misalnya, pada tahun 2004, grup saya menggunakan perangkat gerbang mengambang untuk melakukan multiplikasi dalam pemrosesan sinyal, dan butuh 1.000 kali lebih sedikit energi dan 100 kali lebih sedikit ruang daripada sistem digital. Selama bertahun-tahun, para peneliti telah berhasil menunjukkan pendekatan neuromorfik untuk jenis komputasi lain untuk pemrosesan sinyal.
Tetapi otak masih 100.000 kali lebih efisien daripada sistem ini. Ini karena walaupun teknologi neuromorfik kita saat ini memanfaatkan fisika transistor seperti neuron, mereka tidak menggunakan algoritma seperti yang digunakan otak untuk melakukan tugasnya.
Hari ini kita baru saja mulai menemukan algoritma fisik ini - proses yang memungkinkan chip mirip otak bekerja dengan efisiensi yang dekat dengan otak. Empat tahun yang lalu, grup saya menggunakan silikon lele, sinapsis, dan dendrit untuk menjalankan algoritma pencarian kata yang mengenali kata-kata dalam rekaman audio. Algoritma ini menunjukkan peningkatan ribuan kali dalam efisiensi energi dibandingkan dengan pemrosesan sinyal analog. Akibatnya, dengan mengurangi tegangan yang diterapkan pada chip dan menggunakan transistor yang lebih kecil, peneliti harus membuat chip yang sebanding dalam kinerja dengan otak dalam banyak jenis komputasi.
Ketika saya memulai penelitian tentang neuromorfisme 30 tahun yang lalu, semua orang percaya bahwa pengembangan sistem yang mirip dengan otak akan memberi kita peluang luar biasa. Memang, sekarang seluruh industri dibangun berdasarkan AI dan pembelajaran mendalam, dan aplikasi ini berjanji untuk sepenuhnya mengubah perangkat seluler, lembaga keuangan, dan interaksi orang di tempat umum.
Namun, aplikasi ini sangat sedikit bergantung pada pengetahuan kita tentang fungsi otak. Selama 30 tahun ke depan, kita tidak diragukan lagi akan dapat melihat bagaimana pengetahuan ini semakin digunakan. Kami sudah memiliki banyak blok perangkat keras dasar yang diperlukan untuk mengubah neurobiologi menjadi komputer. Tetapi kita perlu lebih memahami bagaimana peralatan ini seharusnya bekerja - dan skema komputasi mana yang akan memberikan hasil terbaik.
Anggap ini ajakan untuk bertindak. Kami telah mencapai banyak hal dengan menggunakan model otak yang sangat mendekati. Tetapi ilmu saraf dapat menuntun kita untuk menciptakan komputer yang mirip otak. Dan apa yang bisa lebih baik daripada menggunakan otak kita untuk memahami cara membuat komputer baru ini?