Điện toán mô hình thần kinh là một phương pháp kỹ thuật máy tính đang phát triển nhằm mô hình hóa và phát triển các thiết bị điện toán lấy cảm hứng từ bộ não con người. Kỹ thuật hình thái thần kinh tập trung vào việc sử dụng các thuật toán lấy cảm hứng từ sinh học để thiết kế các chip bán dẫn sẽ hoạt động tương tự như tế bào thần kinh não và sau đó hoạt động trong kiến trúc mới này.
Điện toán mô phỏng thần kinh là gì?
Điện toán mô phỏng thần kinh bổ sung khả năng suy nghĩ sáng tạo, nhận biết những thứ họ chưa từng thấy và phản ứng tương ứng với máy móc. Không giống như AI, bộ não con người rất giỏi trong việc tìm hiểu nguyên nhân và kết quả cũng như thích ứng với những thay đổi nhanh chóng. Tuy nhiên, ngay cả sự thay đổi nhỏ nhất trong môi trường của chúng cũng khiến các mô hình AI được đào tạo bằng phương pháp học máy truyền thống không thể hoạt động được. Điện toán mô phỏng thần kinh nhằm mục đích vượt qua những thách thức này bằng các phương pháp điện toán lấy cảm hứng từ não bộ.
Gartner tin rằng công nghệ điện toán truyền thống dựa trên Kiến trúc bán dẫn truyền thống sẽ gặp rào cản kỹ thuật số vào năm 2025, đòi hỏi phải có một sự thay đổi mô hình chẳng hạn như điện toán hình thái thần kinh. Trong khi đó, Emergen Research dự đoán thị trường xử lý hình thái thần kinh trên toàn thế giới sẽ đạt 11,29 tỷ USD vào năm 2027.
Điện toán mô phỏng thần kinh hoạt động như thế nào?
Điện toán mô hình thần kinh xây dựng mạng lưới thần kinh tăng đột biến. Các đột biến từ các nơ-ron điện tử riêng lẻ kích hoạt các nơ-ron khác theo chuỗi xếp tầng, bắt chước đặc tính vật lý của não và hệ thần kinh con người. Nó hoạt động tương tự như cách não gửi và nhận tín hiệu từ các tế bào thần kinh kích hoạt tính toán. Các chip mô phỏng thần kinh tính toán linh hoạt và rộng rãi hơn các hệ thống thông thường vốn sắp xếp các tính toán ở dạng nhị phân. Các nơ-ron thần kinh hoạt động không theo bất kỳ khuôn mẫu cụ thể nào.
Điện toán mô phỏng thần kinh đạt được hiệu suất và hiệu quả giống như bộ não này bằng cách xây dựng mạng lưới thần kinh nhân tạo từ “tế bào thần kinh” và “khớp thần kinh”. Mạch tương tự được sử dụng để kết nối các tế bào thần kinh và khớp thần kinh nhân tạo này. Họ có thể điều chỉnh lượng điện chạy giữa các nút đó, tái tạo các mức cường độ khác nhau của tín hiệu não tự nhiên.
Chip thần kinh giải quyết các vấn đề phức tạp và thích ứng với cài đặt mới một cách nhanh chóng
Đây là các mạng thần kinh tăng tốc (SNN) trong não, có thể phát hiện những thay đổi tín hiệu tương tự riêng biệt này và không xuất hiện trong các mạng thần kinh thông thường sử dụng tín hiệu kỹ thuật số ít sắc thái hơn.
Công nghệ mô phỏng thần kinh cũng hình dung ra một kiến trúc chip mới kết hợp bộ nhớ và xử lý trên mỗi nơ-ron thay vì có các khu vực riêng biệt cho cái này hay cái kia.
Các thiết kế chip truyền thống dựa trên kiến trúc von Neumann thường bao gồm một bộ nhớ riêng biệt, bộ xử lý lõi (CPU) và đường dẫn dữ liệu. Thông tin phải được chuyển giữa các thành phần khác nhau khi máy tính hoàn thành một nhiệm vụ, nghĩa là dữ liệu phải di chuyển qua lại nhiều lần. Nút cổ chai von Neumann là một hạn chế về thời gian và hiệu quả sử dụng năng lượng khi việc truyền dữ liệu qua nhiều thành phần gây ra tắc nghẽn.
Điện toán mô phỏng thần kinh cung cấp một cách tốt hơn để xử lý lượng dữ liệu khổng lồ. Nó cho phép các chip hoạt động đồng thời rất mạnh mẽ và hiệu quả. Tùy thuộc vào tình huống, mỗi nơ-ron có thể thực hiện các tác vụ xử lý hoặc bộ nhớ.
Các nhà nghiên cứu cũng đang nghiên cứu những cách khác để mô hình hóa khớp thần kinh của não bằng cách sử dụng các chấm lượng tử, graphene và công nghệ ghi nhớ, chẳng hạn như bộ nhớ thay đổi pha, RAM điện trở, RAM từ mô-men xoắn truyền spin và RAM cầu dẫn điện.
Ưu điểm của điện toán mô phỏng thần kinh
Mạng lưới thần kinh truyền thống và tính toán học máy rất phù hợp với các thuật toán hiện tại. Họ có xu hướng ưu tiên hiệu suất hoặc sức mạnh, thường dẫn đến cái này phải trả giá bằng cái kia. Ngược lại, các hệ thống mô phỏng thần kinh cung cấp cả khả năng tính toán nhanh và mức tiêu thụ năng lượng thấp.
Điện toán mô phỏng thần kinh có hai mục tiêu chính. Đầu tiên là xây dựng một cỗ máy nhận thức có khả năng học hỏi, lưu giữ dữ liệu và đưa ra kết luận logic giống như con người. Mục tiêu thứ hai là khám phá thêm về cách thức hoạt động của bộ não con người
Chip thần kinh có thể thực hiện nhiều nhiệm vụ cùng một lúc. Nguyên tắc làm việc theo hướng sự kiện của nó cho phép nó thích ứng với các điều khoản và điều kiện thay đổi. Những hệ thống này có khả năng tính toán như khái quát hóa, rất linh hoạt và mạnh mẽ. Nó có khả năng chịu lỗi cao. Dữ liệu được bảo tồn dự phòng và ngay cả những lỗi nhỏ cũng không ảnh hưởng đến hiệu suất tổng thể. Nó cũng có thể giải quyết các vấn đề phức tạp và thích ứng với cài đặt mới một cách nhanh chóng.
Các trường hợp sử dụng điện toán mô phỏng thần kinh
Các thiết bị điện toán biên như smartphones hiện phải chuyển giao việc xử lý cho một hệ thống dựa trên đám mây, hệ thống này xử lý truy vấn và truyền câu trả lời đến thiết bị cho các hoạt động tính toán chuyên sâu. Truy vấn đó sẽ không cần phải chuyển đổi qua lại với các hệ thống mô phỏng thần kinh; nó có thể được xử lý ngay trên thiết bị. Động lực quan trọng nhất của điện toán mô phỏng thần kinh là hy vọng nó mang lại cho tương lai của AI.
Về bản chất, các hệ thống AI có tính dựa trên quy tắc cao; họ được đào tạo về dữ liệu cho đến khi có thể tạo ra một kết quả cụ thể. Mặt khác, tâm trí của chúng ta dễ dàng chấp nhận sự mơ hồ và khả năng thích ứng hơn nhiều.
Mục tiêu của các nhà nghiên cứu là làm cho thế hệ hệ thống AI tiếp theo có khả năng giải quyết các thách thức giống não bộ hơn. Sự hài lòng về ràng buộc là một trong số đó và ngụ ý rằng máy móc phải tìm ra giải pháp tốt nhất cho một vấn đề có nhiều hạn chế.
Các chip thần kinh hoạt động thoải mái hơn với các vấn đề như tính toán xác suất, nơi máy móc xử lý dữ liệu ồn ào và không chắc chắn. Các khái niệm khác, chẳng hạn như quan hệ nhân quả và tư duy phi tuyến tính, vẫn còn ở giai đoạn sơ khai trong các hệ thống điện toán mô phỏng thần kinh nhưng sẽ trưởng thành khi chúng trở nên phổ biến hơn.
Hệ thống máy tính mô phỏng thần kinh hiện nay
Nhiều hệ thống mô phỏng thần kinh đã được phát triển và sử dụng bởi các học giả, công ty khởi nghiệp và những người chơi nổi bật nhất trong thế giới công nghệ.
Chip thần kinh của Intel Lợihi có 130 triệu khớp thần kinh và 131.000 tế bào thần kinh. Nó được thiết kế để tăng tốc mạng lưới thần kinh. Các nhà khoa học sử dụng chip Intel Loihi để phát triển da nhân tạo và chân tay giả. Chip nghiên cứu hình thái thần kinh thế hệ thứ hai của Intel Labs, tên mã Loihi 2và Lava, một khung phần mềm nguồn mở cũng được công bố.
Hệ thống mô phỏng thần kinh TrueNorth của IBM được ra mắt vào năm 2014, với 64 triệu tế bào thần kinh và 16 tỷ khớp thần kinh. IBM gần đây đã công bố hợp tác với Phòng thí nghiệm Nghiên cứu Không quân Hoa Kỳ để phát triển một “siêu máy tính thần kinh” có tên Blue Raven. Trong khi công nghệ này vẫn đang được phát triển, một ứng dụng có thể là phát triển máy bay không người lái thông minh hơn, nhẹ hơn và ít tiêu tốn năng lượng hơn.
Dự án Não người (HBP), một dự án kéo dài 10 năm bắt đầu vào năm 2013 và được Liên minh Châu Âu tài trợ, được thành lập để hiểu rõ hơn về bộ não thông qua sáu lĩnh vực nghiên cứu, bao gồm cả điện toán mô phỏng thần kinh. HBP đã truyền cảm hứng cho hai dự án thần kinh học lớn từ các trường đại học, SpiNNaker và BrainScaleS. Năm 2018, hệ thống SpiNNaker triệu lõi đã được giới thiệu, trở thành hệ thống siêu máy tính thần kinh lớn nhất thế giới vào thời điểm đó; Đại học Manchester đặt mục tiêu mở rộng quy mô để mô hình hóa một triệu tế bào thần kinh trong tương lai.
Các ví dụ của IBM và Intel tập trung vào hiệu suất tính toán. Ngược lại, các ví dụ từ các trường đại học sử dụng máy tính mô phỏng thần kinh như một công cụ để tìm hiểu về bộ não con người. Cả hai phương pháp đều cần thiết cho điện toán mô phỏng thần kinh vì cả hai loại thông tin đều cần thiết để phát triển AI.
Kiến trúc chip thần kinh Intel Loihi
Đằng sau kiến trúc chip Loihi dành cho điện toán mô phỏng thần kinh là ý tưởng đưa sức mạnh tính toán từ đám mây đến biên. Chip nghiên cứu hình thái thần kinh Loihi thế hệ thứ hai được giới thiệu vào tháng 4 năm 2021, cùng với Lava, một kiến trúc phần mềm nguồn mở dành cho các ứng dụng lấy cảm hứng từ bộ não con người. Điện toán mô hình thần kinh điều chỉnh các tính năng chính của kiến trúc thần kinh có trong tự nhiên để tạo ra mô hình kiến trúc máy tính mới. Loihi được phát triển như một hướng dẫn về các con chip sẽ cung cấp năng lượng cho các máy tính này và dung nham cho các ứng dụng sẽ chạy trên chúng.
Theo tài liệu nghiên cứu Nâng cao tính toán mô phỏng thần kinh với Loihi, tính năng nổi bật nhất của công nghệ mô phỏng thần kinh là khả năng bắt chước cách bộ não sinh học phát triển để giải quyết những thách thức khi tương tác với môi trường thế giới thực năng động và thường không thể đoán trước. Các chip thần kinh có thể bắt chước các hệ thống sinh học tiên tiến bao gồm tế bào thần kinh, khớp thần kinh để kết nối tế bào thần kinh và đuôi gai, cho phép tế bào thần kinh nhận được thông điệp từ nhiều tế bào thần kinh.
A Lợi Hi 2 chip bao gồm các lõi vi xử lý và 128 lõi nơ-ron không đồng bộ hoàn toàn được kết nối với nhau bằng một mạng trên chip (NoC). Tất cả giao tiếp giữa các nhân tế bào thần kinh được tối ưu hóa cho khối lượng công việc thần kinh diễn ra dưới dạng các thông điệp xung bắt chước mạng lưới thần kinh trong não sinh học.
Thay vì sao chép trực tiếp bộ não con người, điện toán mô phỏng thần kinh sẽ phân kỳ theo những cách khác nhau bằng cách lấy cảm hứng từ nó; ví dụ, trong chip Loihi, một phần của chip có chức năng như nhân của tế bào thần kinh để mô hình hóa hành vi của tế bào thần kinh sinh học. Trong mô hình này, một đoạn mã mô tả nơ-ron. Mặt khác, có các hệ thống mô phỏng thần kinh trong đó các khớp thần kinh sinh học và đuôi gai được tạo ra bằng cách sử dụng công nghệ bán dẫn oxit kim loại bổ sung kỹ thuật số không đồng bộ (CMOS).
Memristor là gì và tại sao nó lại quan trọng đối với điện toán mô phỏng thần kinh?
Memristor, thành phần điện tử cốt lõi trong chip thần kinh, đã được chứng minh là có chức năng tương tự như các khớp thần kinh của não vì nó có độ dẻo tương tự như não. Nó được sử dụng để tạo ra các cấu trúc nhân tạo mô phỏng khả năng xử lý và ghi nhớ dữ liệu của não. Cho đến gần đây, ba thành phần điện thụ động thiết yếu duy nhất là tụ điện, điện trở và cuộn cảm. Memristor đã gây xôn xao khi lần đầu tiên được phát hiện vì nó hoạt động như một sự tích hợp của cả ba loại thành phần thụ động được mô tả trước đó.
Memristor là một thành phần thụ động giữ kết nối giữa tích phân thời gian của dòng điện và điện áp trên một phần tử hai cực. Kết quả là điện trở của memristor thay đổi theo chức năng của memristor, cho phép truy cập vào bộ nhớ thông qua các khoản phí đọc nhỏ. Thành phần điện này có thể ghi nhớ các trạng thái trước đây của nó mà không cần bật nguồn. Mặc dù không có năng lượng nào chảy qua chúng nhưng các điện trở nhớ màng vẫn có khả năng duy trì trạng thái trước đó của chúng. Chúng cũng có thể được sử dụng song song làm bộ nhớ và đơn vị xử lý.
Di chuyển tính toán vào bộ nhớ giúp loại bỏ nút thắt cổ chai von Neumann
Leon Chua lần đầu tiên phát hiện ra memristor vào năm 1971 ở dạng lý thuyết. Năm 2008, một nhóm nghiên cứu tại phòng thí nghiệm của HP đã phát triển điện trở nhớ đầu tiên từ một màng mỏng Titanium Oxide. Kể từ đó, nhiều vật liệu khác đã được nhiều công ty khác nhau thử nghiệm để phát triển điện trở nhớ.
Thời gian để dữ liệu từ bộ nhớ của thiết bị đến bộ xử lý được gọi là nút cổ chai von Neumann. Đơn vị xử lý phải chờ dữ liệu cần thiết để thực hiện tính toán. Vì quá trình tính toán diễn ra trong bộ nhớ nên các chip thần kinh không gặp phải hiện tượng này. Giống như cách thức hoạt động của bộ não, các điện trở nhớ, tạo nên nền tảng của các chip thần kinh, có thể được sử dụng cho các chức năng ghi nhớ và tính toán. Chúng bao gồm các tế bào thần kinh vô cơ đầu tiên, như chúng tôi đã đề cập ở trên.
Mạng lưới thần kinh tăng đột biến (SNN) và trí tuệ nhân tạo
Thế hệ trí tuệ nhân tạo đầu tiên là logic bắt chước dựa trên quy tắc, được sử dụng để đưa ra kết luận logic trong bối cảnh cụ thể và hạn chế. Công cụ này lý tưởng để theo dõi hoặc tối ưu hóa một quy trình. Trọng tâm là khả năng nhận thức và phát hiện của trí tuệ nhân tạo. Mạng lưới thần kinh sâu đã được đưa vào ứng dụng bằng các phương pháp thông thường như SRAM hoặc dựa trên Flash. Chúng bắt chước sự song song và hiệu quả của bộ não. Các giải pháp DNN cải tiến có thể giúp giảm mức tiêu thụ năng lượng cho các ứng dụng biên.
Thế hệ trí tuệ nhân tạo tiếp theo, đã có mặt ở đây và đang chờ đợi sự chú ý của chúng ta, sẽ mở rộng những khả năng này và kết hợp với trí tuệ con người, chẳng hạn như khả năng thích ứng tự chủ và khả năng hiểu biết. Sự thay đổi này rất quan trọng để khắc phục những hạn chế hiện tại của AI do học máy và suy luận gây ra. Điều này là do những đánh giá như vậy, thường không theo ngữ cảnh và theo nghĩa đen, dựa trên những cách giải thích mang tính xác định và theo nghĩa đen về các sự kiện thường thiếu ngữ cảnh.
Dạy máy móc suy nghĩ theo cách mới
Thế hệ AI tiếp theo phải có khả năng đáp ứng với các tình huống và khái niệm trừu tượng mới để tự động hóa các hoạt động thông thường của con người. Mạng lưới thần kinh tăng đột biến (SNN) cũng nhằm mục đích tái tạo khía cạnh thời gian của chức năng tế bào thần kinh và khớp thần kinh. Điều này cho phép sử dụng năng lượng hiệu quả và linh hoạt hơn.
Khả năng thích ứng với môi trường thay đổi nhanh chóng là một trong những khía cạnh thách thức nhất của trí thông minh con người. Một trong những vấn đề hấp dẫn nhất của điện toán mô phỏng thần kinh là khả năng học hỏi từ các kích thích phi cấu trúc đồng thời tiết kiệm năng lượng như bộ não con người. Các khối xây dựng máy tính trong hệ thống điện toán mô phỏng thần kinh có thể so sánh với logic của tế bào thần kinh của con người. Mạng nơ-ron tăng đột biến (SNN) là một cách mới để sắp xếp các thành phần này để mô phỏng mạng nơ-ron của con người.
Mạng nơ-ron Spiking (SNN) là một loại trí tuệ nhân tạo tạo ra kết quả đầu ra dựa trên các phản hồi do các nơ-ron khác nhau của nó đưa ra. Mỗi nơ-ron trong mạng có thể được kích hoạt riêng biệt. Mỗi nơ-ron truyền tín hiệu xung đến các nơ-ron khác trong hệ thống, khiến chúng thay đổi trạng thái điện ngay lập tức. SNN bắt chước các quá trình học tập tự nhiên bằng cách ánh xạ động các khớp thần kinh giữa các tế bào thần kinh nhân tạo để đáp ứng với các kích thích bằng cách diễn giải dữ liệu này theo tín hiệu và thời gian của nó.
