کامپیوتر ممریستوری برنامه‌پذیر: پردازش هوش مصنوعی بی‌نیاز از ابر

وی لو (Wei Lu، تصویر ابتدای مقاله)، استاد مهندسی برق و کامپیوتر دانشگاه میشیگان و سرپرست نویسندگان مقاله مربوط به پروژه ساخت اولین کامپیوتر ممریستوری برنامه‌پذیر، منتشرشده در مجله «نیچر الکترونیکس» می‌گوید، همه می‌خواهند روی تلفن‌‌های هوشمندشان پردازنده هوش مصنوعی تعبیه کنند، اما کسی دوست ندارد باتری گوشی‌‌اش زودبه‌زود خالی شود.

در تجهیزات پزشکی، اجرای الگوریتم‌های هوش مصنوعی بدون نیاز به زیرساخت ابری امنیت و حریم خصوصی بیماران را ارتقا می‌دهد.

چرا ممریستورها برای یادگیری ماشین خوب هستند

کلید این فناوری، قطعه‌ کامپیوتری پیشرفته‌ای به نام ممریستور است. ممریستور، عنصری مداری و نوعی مقاومت الکتریکی است که حافظه هم دارد و دارای مقاومت متغیری است که می‌تواند اطلاعات را نیز ذخیره کند. چون ممریستورها اطلاعات را در محل یکسانی ذخیره و پردازش می‌کنند، می‌توانند بزرگ‌ترین عامل محدودکننده سرعت و قدرت رایانش یعنی اتصال بین حافظه و پردازنده، را دور بزنند.

این قابلیت برای الگوریتم‌های یادگیری ماشین اهمیت ویژه‌ای دارد، زیرا الگوریتم‌های یادگیری ماشین برای انجام اموری همچون شناسایی اشیاء در تصاویر و ویدیوها، یا پیش‌بینی این‌که بیماران کدام بیمارستان در معرض خطر عفونت هستند، با داده‌های انبوهی سروکار دارند. در حال حاضر، برنامه‌نویس‌ها ترجیح می‌دهند این الگوریتم‌ها را روی پردازنده‌های گرافیک (جی‌پی‌یو) اجرا کنند تا روی پردازنده اصلی (سی‌پی‌یو).

لو می‌گوید، پردازنده‌های گرافیک مدارهای دیجیتال بسیار سفارشی و بهینه‌شده‌ای هستند که عملکردشان از حیث برق مصرفی و توان عملیاتی، حدود 10 تا 100 برابر بهتر از پردازنده‌های اصلی است. اما پردازنده‌های ممریستوری هوش مصنوعی می‌توانند از خود پردازنده‌های گرافیک نیز 10 تا 100 برابر بهتر باشند.

پردازنده‌های گرافیک در انجام وظایف یادگیری ماشین بهترند، زیرا هزاران هسته کوچک دارند که با کمک آن‌ها همه محاسبات را هم‌زمان انجام می‌دهند؛ حال آن‌که در پردازنده‌های اصلی، رشته‌‌ محاسبات باید منتظر بمانند تا برای اجرا روی یکی از هسته‌های قدرتمند اما کم‌تعداد سی‌پی‌یو، نوبت‌ پردازش‌شان برسد.

اما با آرایه ممریستوری کار ساده‌تر می‌شود. هر ممریستور محاسبه متعلق به خود را انجام می‌دهد و درنتیجه هزاران عملیات درون یک هسته می‌توانند هم‌زمان اجرا شوند. تازه، رایانه آزمایشی دانشگاه میشیگان بیش از 5800 ممریستور دارد اما چنین کامپیوتری اگر در مقیاس تجاری طراحی و پیاده شود، می‌تواند میلیون‌ها ممریستور داشته باشد.

آرایه‌های ممریستوری مخصوصاً برای مسائل یادگیری ماشین مناسب هستند. علت آن، نحوه تبدیل داده‌ به بردار توسط الگوریتم‌های یادگیری ماشین (در اصل، فهرست‌هایی از نقاط داده) است. مثلا برای پیش‌بینی ریسک عفونت بیمار در یک بیمارستان، چنین برداری ممکن است بازنمایی‌های عددی عوامل ریسک عفونت یک بیمار را فهرست کند.

الگوریتم‌های یادگیری ماشین، این بردارهای ورودی (input) را با بردارهای اصلی (feature) ذخیره شده در حافظه مقایسه می‌کنند. بردارهای اصلی ویژگی‌های خاص داده (مثل وجود یک بیماری نهفته) را نشان می‌دهند. اگر نتیجه مقایسه مثبت باشد، سامانه درمی‌یابد که داده ورودی، آن ویژگی را دارد. بردارها در ماتریس‌هایی ذخیره می‌شوند که مانند صفحه‌گسترده‌های ریاضی هستند و این ماتریس‌ها می‌توانند مستقیما روی آرایه‌های ممریستور بازنمایی شوند.

ضمنا، با خوراندن داده‌ها به درون آرایه، بخش عمده پردازش ریاضی، درون مقاومت طبیعی (natural resistance) در  ممریستورها صورت می‌پذیرد و دیگر لازم نیست بردارهای اصلی به‌منظور انجام محاسبات، به درون و بیرون حافظه منتقل شوند. این فرآیند کارایی آرایه‌ها را در انجام محاسبات پیچیده ماتریسی بسیار ارتقا می‌دهد. مطالعات پیشین، قابلیت ممریستور در افزایش سرعت یادگیری ماشین را تایید کرده بود، اما عملیاتی شدن آن‌ها به عناصر رایانشی خارجی احتیاج داشت.  

تصویر 1. با اتصال تراشه آرایه ممریستور به تراشه عادی کامپیوتر، اولین کامپیوتر ممریستوری برنامه‌پذیر شکل می‌گیرد. گروه لو نشان داد که چنین کامپیوتری می‌تواند سه گونه استاندارد از الگوریتم‌های یادگیری ماشین را اجرا کند. (عکس از رابرت کوئلیوس، دانشکده مهندسی دانشگاه میشیگان)

ساخت کامپیوتر ممریستوری برنامه‌پذیر

گروه لو به‌منظور ساخت اولین کامپیوتر ممریستوری برنامه‌پذیر، با همکاری استاد ژنگیا ژانگ و استاد مایکل فلین (مهندسان برق و کامپیوتر دانشگاه میشیگان) تراشه‌ای طراحی کردند تا آرایه ممریستور را با تمام دیگر عناصر لازم جهت برنامه‌ریزی و اجرای برنامه یکپارچه کنند. آن عناصر عبارت بودند از یک پردازنده دیجیتال عادی و کانال‌های ارتباطی و نیز مبدل‌های دیجیتال/آنالوگ که بین آرایه ممریستور آنالوگ و دیگر اجزای کامپیوتر نقش مفسر را بازی می‌کرد.  

گروه لو پس از آن، آرایه ممریستور را مستقیما روی تراشه یکپارچه کرد. آن‌ها سپس نرم‌افزاری ساختند تا الگوریتم‌های یادگیری ماشین را روی ساختار ماتریس‌وار آرایه ممریستور بازنمایی کنند.

آن‌ها نتیجه کار خود را با سه الگوریتم متعارف یادگیری ماشین ارائه کردند:

• الگوریتم پرسپترون (Perceptron)، که برای طبقه‌بندی اطلاعات به کار می‌رود. آن‌ها توانستند حروف یونانی ناقص نوشته شده را با دقت 100 درصد شناسایی کنند.
• الگوریتم Sparse coding، که داده‌ها و به‌ویژه تصاویر را فشرده و دسته‌بندی می‌کند. رایانه ممریستوری آن‌ها توانست موثرترین راه بازسازی تصاویر را در یک مجموعه بیابد و الگوها را با دقت 100 درصد شناسایی کند.
• الگوریتم شبکه عصبی دولایه‌، که برای الگویابی در داده‌های پیچیده طراحی شده بود. این شبکه دولایه، عوامل مشترک و متفاوت در داده‌های گونه‌ای از سرطان را پیدا و سپس هر مورد را برحسب بدخیمی و خوش‌خیمی با دقت 94.6 درصد طبقه‌بندی کرد.

تجاری‌سازی کامپیوتر ممریستوری برنامه‌پذیر با چالش‌هایی مواجه است – ممریستورها هنوز آن‌گونه که باید همسان ساخته نمی‌شوند و اطلاعات ذخیره‌شده در آرایه ممریستور کاملا قابل اطمینان نیستند زیرا فقط در زنجیره آنالوگ اجرا می‌شوند و نه در زنجیره دیجیتال یا هر دو. گروه لو در مطالعات آتی خود به این مسائل توجه خواهندداشت.

لو در نظر دارد این فناوری را به مرحله تجاری برساند. مطالعات آن‌ها در قالب مقاله‌ای با عنوان A fully integrated reprogrammable memristor–CMOS system for efficient multiply–accumulate operations در مجله «نیچر الکترونیکس»، زیرمجموعه مجله نیچر، منتشر شده است.