Бэт Миллэр, Вашингтоны Их Сургууль, Сант- Луис
Сүүлийн жилүүдэд хиймэл оюун ухаан, машин сургалт үсрэнгүй хөгжиж уран зураг зурах, шүлэг бичих, харилцан ярилцах түвшинд хүрсэн боловч урт болон богино хугацаанд мэдээллийг хадгалах ба үүсгэхдээ хүний тархитай харьцуулшгүй их эрчим хүч хэрэглэдэг дуталдалтай байсаар байна. Сант-Луис хотын Вашингтоны их сургуулийн судлаачдын баг урт хугацаанд мэдээллийг жижиг чипт эрчим хүч бага зарцуулан хадгалах аргыг боловсруулжээ.
Цахилгаан ба системийн инженерчлэлийн тэнхимийн профессор Шантану Чакрабарти болон тэдний лабораторийн багийнхан хүний тархины нейронуудын хооронд мэдээлэл дамжих боломж олгодог синапсын динамикийг дуурайлган харьцангуй энгийн төхөөрөмжийг бүтээжээ. Орчин үеийн хиймэл оюуны системд ашигладаг хиймэл синапсууд нь харьцангуй энгийн байхад биологийн синапсууд нь өөр өөр химийн замуудын тусламжтайгаар илүү комплекс мэдээллийг хадгалах чадвартай байдаг.
Чакрабартын багийнхны зохиосон хиймэл синапсууд хиймэл оюуны динамикийг дуурайн ажилладаг ба хуучин ажлуудыг хэрхэн яаж хийхээ мартахгүйгээр шинэ даалгавруудыг гүйцэтгэхээр суралцдаг. Судалгааны үр дүнгээ 1-р сарын 13-нд Frontiers in Neuroscience сэтгүүлд нийтлүүлжээ.
Чакрабартын баг холбоос буюу хиймэл синапсаар дамжин хоёр талын хооронд электрон шилжин ажилладаг төхөөрөмжийг бүтээсэн. Квант хонгил гэж нэрлэгддэг электрон саадыг ид шидийн гэмээр нэвтрэн гарах онцгой үзэгдэлд үндэслэн холбоос буюу хиймэл синапсыг бүтээсэн байна. Электрон гурвалжин саадыг гарахдаа саадын хэлбэрийг өөрчилдөг Фоулэр – Нордхейм (ФН) квант хонгилын үзэгдлийг ашиглан эдгээр синапсыг зохион бүтээжээ. Фоулэр – Нордхейм нь одоо компьютерт ашиглагдаж байгаа загварчлахад хэтэрхий комплекс аргаас илүү хялбар, эрчим хүчний хэмнэлттэй холболтыг хийх боломж олгодог.
“Энэ төхөөрөмжийн гайхамшиг нь квант механик саадыг нарийвчлан тааруулсан учраас төхөөрөмжийг бид ганц электрон хүртэл удирдаж чадаж байгаа явдал юм ” Чакрабарти хэлэв.
Чакрабарти ба докторын оюутнууд болох Мустачур Рахман ба Сабханкар Бос нар 128 төхөөрөмжийг 1 миллиметрээс бага хэмжээтэй чипт багтаасан.
“ФН синапс нь ажиллах хугацаа болон мэдээлэл хадгалах шинж чанарын хувьд хамгийн оновчтой түвшинд ажиллаж байгааг бидний ажил харуулж байна” гэж Чакрабарти хэлэв. ” Өмнө нь сурсан зүйлээ мартахгүй байж удаан үргэлжилсэн сургалтын даалгавруудыг энэхүү хиймэл синапс төхөөрөмжүүд биелүүлж, бодож чаддаг. Урт ба богино хугацаанд хадгалагдах мэдээллүүд нэг төхөөрөмжид нэгэн зэрэг оршин байх боломжтой боллоо “.
Мөн нь энэ төхөөрөмж нэг дор цөөн хэдэн электрон ашигладаг тул маш бага энерги зарцуулдаг. “Машины сургалтын даалгавар биелүүлж байгаа ихэнх компьютерууд нь батарейнаас маш олон электроныг авч түүнийгээ конденсаторт хадгалаад дараа нь хаядаг бөгөөд дахин ашигладаггүй , Манай загварт бид нийт электронуудыг хэмжээг урьдчилан тогтоож өгдөг ба электронууд нь физикийн хуулиар шилждэг учраас энергийг нэмж өгөх шаардлага байдаггүй.” гэж Чакрабарти ярив. Тухайн агшинд цөөн электрон урсахыг тогтоож өгснөөр бид төхөөрөмжөө удаан хугацаанд ажиллах боломжтой болгосон.
Энэ ажил нь Чакрабартийн судалгааны ажлын нэг хэсэг бөгөөд түүний лабораторийн гишүүд хиймэл оюуны салбарын хөгжлийг байгальд илүү ээлтэй болгож байна. Одоогийн хиймэл оюуны тооцоололд шаардагдах энерги нь экспоненциал хуулиар тогтмол өсөж байгаа дараа үеийн ганцхан загварыг сургахад 200 тера жоуль шаардагдана. Гэтэл тэдгээр загварууд хүний тархины 1,000 их наяд синапстай хэмжээнд дөхөж очих ч болоогүй байгаа юм.
“Яг одоогийн байдлаар бид хагас их наяд параметртэй загварыг хэрхэн сургахаа тодорхой мэдэхгүй байгаа ба одоо ашиглагдаж байгаа аргаар бол маш их хэмжээний энерги зарцуулахаар байгаа юм. “Цаашид одоо хэрэглэж байгаа аргаар их хэмжээний энерги зарцуулан сургах эсвэл эдгээр эрчим хүчний хэмнэлттэй динамик санах ойн төхөөрөмжийг ашиглан хэрхэн энэ том загваруудыг сургахыг шийдэх хэрэгтэй болж байна.”
Мэдээ бэлтгэсэн: Симуляци тооцооллын салбарын эрдэм шинжилгээний ажилтан Б.Мөнхбаяр
Дэлгэрэнгүй мэдээлэл: Mustafizur Rahman et al, On-device synaptic memory consolidation using Fowler-Nordheim quantum-tunneling, Frontiers in Neuroscience (2023). DOI: 10.3389/fnins.2022.1050585
Journal information: Frontiers in Neuroscience
https://techxplore.com/news/2023-02-quantum-tunneling-boost-memory-ai.html
