Beynin aynı anda büyük miktarda bilgiyi öğrenme ve ezberleme kapasitesi ve üstelik bunu yaparken de görece az enerji gerektirmesi, tüm alanlardaki bilim insanlarına beyin benzeri ya da nöromorfik bilgisayarları takip etmek için ilham verdi.
Stanford Üniversitesi ve Sandia Ulusal Laboratuvarları’ndaki (Sandia National Laboratories) araştırmacılar daha önce böyle bir bilgisayarın bir bölümünü geliştirmişlerdi: Yapay bir sinaps gibi davranan, beyindeki nöronların iletişim kurma şeklini taklit eden bir cihaz.
Beklentileri Aştı
Science dergisi tarafından 25 Nisan’da çevrimiçi yayımlanan bir makalede, araştırmacılar bu cihazlardan 9 tanesiyle geliştirilen prototip bir dizinin; işlem hızı, enerji verimliliği, tekrarlanabilirlik ve dayanıklılık konusunda beklenenden daha iyi bir performans gösterdiğini bildirdi.
İleriki günler için ekip üyeleri, yapay sinapslarını geleneksel elektroniklerle birleştirmek istiyorlar. Böylece bu gelişmenin küçük cihazlarda yapay zeka öğrenmesine destek olma yolunda önemli bir adım olacağını umuyorlar.
Makalenin ortak yazarı olan ve Stanford Üniversitesi Malzeme Bilimi ve Mühendisliği’den diğer ortak yazar Profesör Alberto Salleo’nun laboratuvarında yüksek lisans öğrencisi olan Scott Keene, “Sunmuş olduğumuz aygıtla uyumlu, düşük enerji verimliliği ve hızıyla öğrenebilecek bir bellek sisteminiz varsa; daha sonra bu aygıtı bir akıllı telefona ya da dizüstü bilgisayara entegre edebilirsiniz” diyor.
“Bu, kendi ağlarımızı eğitme ve böyle yaparak -veri aktarımına gerek duymadan- cihazlarımızdaki lokal problemleri çözme gibi bir olanağa sahip olmamızı sağlıyor.”
Kötü Bir Batarya, İyi Bir Sinaps
Ekibin yapay sinapsı, bir bataryaya benziyor. Böylece araştırmacılar iki terminal arasındaki elektrik akışını çevirebiliyor ya da azaltabiliyorlar. Bu elektrik akışı, beynin içinde öğrenmenin nasıl kablolandığını taklit ediyor. Bu, özellikle verimli bir tasarım, çünkü veri işleme ve bellek depolama; verilerin önce işlendiği ve daha sonra depoya taşındığı daha geleneksel bir bilgisayar sistemi yerine, tek bir işlemde aynı anda gerçekleşiyor.
Bu cihazların bir “dizi” mimarisi içinde nasıl çalışacaklarını görmek çok önemli bir adım. Çünkü bu sayede araştırmacılar aynı anda birkaç sinaps birden programlayabilirler. Bu yöntem bizi, her sinapsın birer birer programlanması gibi çok zaman alan bir işlem zorluğundan kurtardığı gibi, beynin gerçekte nasıl çalıştığıyla karşılaştırma yapabilmemize de imkan tanır.
Bu cihazın bir önceki prototibine ait testler araştırmacalara gösterdi ki, belirli görevleri yerine getirmek için yapılan işlem ve bellek operasyonları sırasında tüketilen enerji; bugünün en yeni bilgisayar sistemlerinin ihtiyaç duyduğu enerjinin yalızca 10’da 1’ine karşılık geliyor.
Yine de araştırmacılar, daha büyük diziler geliştirmekle birlikte, çalışan tüm bu cihazların toplamının çok fazla güç çekme riski taşıyabileceğinden endişe duyuyorlar. Bu nedenle, her bir cihazı yeniden ele alarak daha az elektrik akımı iletecek şekilde tasarladılar. Böylece sinaps dizisi daha verimli hale geldi ancak maalesef bu durumda da piller daha kötü hale geldi.
Teknolojik Açıdan Güvenilir Olduğu Kadar, Dayanıklı ve Gerçek Hayat Uygulamalarına Uyumlu
Massachusetts Üniversitesi’nden (University of Massachusetts, Amhert) makalenin ortak yazarı olan Joshua Yang tarafından geliştirilen 3 x 3 matris şeklindeki diziden oluşan cihaz; aslında dizi içindeki sinapsları tek tek programlayabilmek için geliştirilmiş ikinci bir prototibe dayanıyor.
Salleo Laboratuvarı’nda doktora sonrası araştırmacı olan Armantas Melianas, “Her şeyi kablolamak, çok fazla kablo ve çok sayıda sorun giderme gerektirdi. Tüm bu dizi bileşenlerinin bir orkestra gibi çalışmasını sağlamak için bunları yapmak zorunda kaldık” dedi. “Ama her şeyin aydınlandığını gördüğümüzde, bir Noel ağacı gibiydi. Bu en heyecan verici andı.”
Testler sırasında, geliştirilen sinaps dizisi araştırmacıların beklentilerini geride bıraktı. Ekip, bu cihazların bir sonraki sürümünün özel yüksek hızlı elektronik cihazlarla test edilmesi gerektiğini öngörürken, bir tür gelecek tahmininde bulunmuştu. Sinaps dizisi şimdiden bu hızlara çıktı.
Teorik Olarak Daha Geniş Diziler Yapabilmek Mümkün
Araştırmacılar 3 x 3 dizideki yüksek enerji verimliliğini ölçtükten sonra, daha büyük bir 1024 x 1024 sinaps dizisinin bilgisayar simülasyonlarını çalıştırdılar ve bu tasarımın şu anda akıllı telefonlarda ya da küçük uçaklarda kullanılan aynı pillerle çalıştırılabileceğini hesapladılar.
Ayrıca “Aging” testlerinde (ömür) aygıtların performanslarını koruduğu gözlemlendi. Dizi içindeki sinapslara milyarca kez anahtarlama (switching) yaptırıldı. Hız ve enerji tüketim değerlerinde bir değişim olmadığı gözlemlendi.
Bu genellikle yeni geliştirilen cihazlar için en önemli ürünleşme problemidir. Düzgün korunamadığı için yalnızca laboratuvar ortamında ya da çok kısa süreliğine sağlıklı çalışıyor olan ve bu nedenle henüz piyasaya çıkmamış binlerce teknoloji bulunmakta.
Salleo, “Polimer cihazların -eğer onlara iyi davranırsanız-, silikondan yapılan geleneksel meslektaşları kadar esnek olabileceği ortaya çıktı. Bu, benim açımdan çalışmanın belki de en şaşırtıcı yanıydı” dedi. “Sonuçlar benim için, bu polimer cihazlar hakkında, onların güvenilirlikleri ve onları nasıl kullanabileceğimiz hakkındaki eski fikirlerimi değiştiriyor.”
Gelişme ve Yaratıcılık İçin Hala Çok Fazla Yer Var
Araştırmacılar henüz sinaps dizilerinin ne kadar iyi öğrenebileceğini belirleyen testleri yayımlamadılar. Ancak bu önümüzdeki günlerde çalışmayı planladıkları şey.
Ekip ayrıca cihazlarının “yüksek sıcaklıklar” gibi farklı ortam koşulları içinde nasıl çalıştığını görmek ve onu geleneksel elektronikle entegre etmek için çalışmak istiyor. Araştırmacılar halen cihazlarının neden bu kadar iyi performans gösterdiğini anlamalarına yardımcı olabilecek birçok temel soruya cevap verebilmiş de değiller.
Melianas, “Daha fazla insanın bu cihaz üzerinde çalışmaya başlayacağını umuyoruz, çünkü bu özel mimariye odaklanan çok fazla grup yok. Ancak bunun çok umut verici olduğunu düşünüyoruz” dedi.
“Gelişme ve yaratıcılık için hala çok fazla yer var. Sadece yüzeye zar zor dokunduk.”
Çalışmanın orijinaline aşağıdaki bağlantıdan ulaşabilirsiniz.
Elliot J. Fuller, Scott T. Keene, Armantas Melianas, Zhongrui Wang, Sapan Agarwal, Yiyang Li, Yaakov Tuchman, Conrad D. James, Matthew J. Marinella, J. Joshua Yang, Alberto Salleo, A. Alec Talin. Parallel programming of an ionic floating-gate memory array for scalable neuromorphic computing. Science, 2019; eaaw5581 DOI: 10.1126/science.aaw5581
