Yapay zeka enerji tüketimi, son yıllarda hızla büyüyen veri merkezleri ve yüksek performanslı donanımlar nedeniyle kritik bir tartışma başlığı haline geldi. Cambridge Üniversitesi araştırmacıları, bu soruna çözüm olabilecek beyin ilhamlı bir çip geliştirdiğini açıkladı. Nano ölçekli yeni cihazın, mevcut yapay zeka sistemlerine kıyasla enerji kullanımını yüzde 70’e kadar azaltabileceği belirtiliyor. Günümüzde yapay zeka modellerinin çalıştırılması için kullanılan donanımlar oldukça yüksek enerji tüketiyor. Örneğin gelişmiş GPU kümeleri, çip başına yaklaşık 700 watt güç gerektirirken, büyük ölçekli sistemlerde bu değer megawatt seviyesine ulaşabiliyor. Buna karşılık insan beyni yalnızca yaklaşık 20 watt güçle çalışarak benzer karmaşıklıkta işlemleri gerçekleştirebiliyor. Bu fark, bilim insanlarını uzun süredir biyolojik sistemleri taklit eden alternatif mimariler geliştirmeye yönlendiriyor. Cambridge ekibinin yaklaşımı da bu farktan yola çıkarak hesaplama süreçlerini daha verimli hale getirmeyi amaçlıyor.
Haberi okuduğunuz için teşekkürler, bizi takip etmeyi unutmayın!
Memristör tabanlı nöromorfik mimari nasıl çalışıyor?
Geleneksel bilgisayar mimarisinde işlem birimi ve bellek fiziksel olarak ayrıdır. Bu durum, verilerin sürekli olarak iki bileşen arasında taşınmasını gerektirir ve her veri transferi enerji tüketimini artırır. Nöromorfik hesaplama ise bu ayrımı ortadan kaldırarak veri depolama ve işlemeyi aynı noktada birleştiren bir yapı sunar. İnsan beyninde nöronlar ve sinapslar bilgiyi eş zamanlı olarak işleyip depolarken, yeni geliştirilen memristör de benzer bir işlevi yerine getirir.
Memristörler, klasik transistörlerden farklı olarak güç kesildiğinde bile durumlarını koruyabilen bileşenlerdir. Ancak mevcut memristör teknolojilerinde önemli sorunlar bulunuyor. Özellikle oksit tabanlı memristörler, iletken filamentlerin rastgele oluşup yok olması prensibiyle çalıştığı için tutarsız davranış sergileyebiliyor. Ayrıca bu tür cihazlar genellikle daha yüksek voltaj gerektiriyor ve bu da enerji verimliliğini sınırlıyor.
Cambridge Üniversitesi araştırmacıları bu sorunu aşmak için farklı bir yaklaşım benimsedi. Hafniyum oksit bazlı malzemeye stronsiyum ve titanyum eklenerek geliştirilen yeni yapı, iki aşamalı üretim süreciyle oluşturuldu. Bu süreç, cihaz içinde mikroskobik pn bağlantıları meydana getirerek daha kontrollü bir elektriksel davranış sağlıyor. Böylece iletken yolların rastgele oluşumu yerine, enerji bariyerinin ayarlanmasıyla direnç değişimi elde ediliyor.
Yeni çipin bir diğer önemli özelliği analog davranış sergileyebilmesi. Geleneksel dijital sistemler yalnızca iki durum arasında çalışırken, biyolojik sinapslar çok daha geniş bir aralıkta bağlantı gücü değişimi gösterebilir. Cambridge ekibinin geliştirdiği memristörler, yüzlerce farklı iletkenlik seviyesini kararlı biçimde koruyabiliyor. Bu özellik, yapay sinir ağlarının daha hassas öğrenme süreçleri gerçekleştirmesine olanak tanıyor.
Araştırma kapsamında cihazın biyolojik öğrenme mekanizmalarını da taklit edebildiği gösterildi. Özellikle sinyal zamanlamasına bağlı plastisite olarak bilinen ve nöronlar arasındaki bağlantıların zamanlama farkına göre güçlendiği ya da zayıfladığı süreç başarıyla simüle edildi. Milisaniye ölçeğinde gerçekleşen bu öğrenme davranışı, donanımın yalnızca veri saklayan bir bileşen olmaktan çıkıp, adaptif bir sistem haline gelmesini sağlıyor.
Bununla birlikte teknolojinin önünde önemli engeller bulunuyor. Mevcut üretim süreci yaklaşık 700 derece sıcaklık gerektiriyor ve bu değer standart yarı iletken üretim süreçlerinin oldukça üzerinde. Araştırmacılar, bu sıcaklığı düşürmek ve üretim uyumluluğunu artırmak için çalışmalarını sürdürüyor. Bu zorlukların aşılması durumunda, geliştirilen memristörlerin mevcut çip üretim hatlarına entegre edilmesi mümkün olabilir.
