Indiana Üniversitesi'ndeki bilim insanları, evrenin nasıl var olduğunu anlamada büyük bir ilerleme kaydetti. Başarıları, uzayda ve maddede sonsuza dek dolaşan ve çevrelerindeki hiçbir şeyle nadiren etkileşime giren neredeyse kütlesiz parçacıklar olan nötrinoları inceleyen iki büyük uluslararası araştırma ekibinin iş birliğinden geliyor. Nature dergisinde yayınlanan bulgular , araştırmacıları bilimin en derin gizemlerinden birini çözmeye bir adım daha yaklaştırıyor: Evren neden hiç yokken madde, yıldızlar, gezegenler ve yaşamla dolu?
PAHALI EĞİTİME SON
Geleneksel yapay zeka sistemleri, son derece pahalı ve enerji yoğun bir eğitim sürecinden geçmek zorundadır. Bu eğitim hesaplamalarının maliyeti yüz milyonlarca doları bulabilmektedir. Nöromorfik bilişim, bu soruna bir çözüm olarak görülüyor. Bu yeni teknoloji, geleneksel sistemlere kıyasla çok daha az güç kullanarak ve çok daha az eğitim hesaplamasıyla yapay zeka görevlerini verimli bir şekilde gerçekleştirebilen, beyinden ilham alan bilgisayar donanımlarına dayanıyor.
Dallas'taki Teksas Üniversitesi'nde elektrik ve bilgisayar mühendisliği doçenti olan Dr. Joseph S. Friedman ve NeuroSpinCompute Laboratuvarı'ndaki araştırma ekibi, nöromorfik bir bilgisayar inşa etme yolunda önemli bir adım attı. Ekip, geleneksel yapay zeka sistemlerine göre daha az eğitim hesaplaması kullanarak kalıpları öğrenen ve tahminlerde bulunan küçük ölçekli bir prototip geliştirdi. Dr. Friedman, çalışmalarının kendi kendine öğrenebilen beyinden ilham alan bilgisayarlar geliştirmek için potansiyel bir yeni yol gösterdiğini ifade etti.
BELLEK VE İŞLEM BİRLEŞİYOR
Geleneksel bilgisayarlar, bellek depolamasını bilgi işlemeden ayrı tuttuğu için yapay zeka çıkarımlarını insan beyni kadar verimli bir şekilde yapamıyor. Ayrıca, büyük miktarda etiketli veri ve karmaşık eğitim hesaplaması gerektiriyorlar. Nöromorfik bilgisayarlar ise bellek depolamayı işlemeyle bütünleştirerek yapay zeka işlemlerini çok daha verimli ve düşük maliyetli bir şekilde gerçekleştirebiliyor. Nöromorfik donanım, nöron ve sinaps ağlarının sırasıyla bilgiyi işlediği ve depoladığı biyolojik beyinden ilham alıyor.
Friedman'ın yaklaşımı, nöropsikolog Dr. Donald Hebb tarafından ortaya atılan Hebb yasasına dayanıyor. Friedman, bir bilgisayarın kendi kendine öğrenmesi için kullandıkları prensibin, bir yapay nöron başka bir yapay nöronun ateşlenmesine neden olursa, onları birbirine bağlayan sinapsın daha iletken hale gelmesi olduğunu açıkladı.
MANYETİK TÜNEL DEVRİMİ
Friedman'ın tasarımındaki önemli bir yenilik, nano ölçekli cihazlar olan manyetik tünel bağlantılarının (MTJ) kullanılmasıdır. MTJ'ler, yalıtkan bir katmanla ayrılmış iki manyetik malzeme katmanından oluşuyor. Bu cihazlar, nöromorfik sistemlerde beynin öğrenme biçimini taklit etmek için ağlar halinde birbirine bağlanabiliyor.
Sinyaller MTJ'lerden koordineli bir şekilde geçerken, bağlantıları, beyindeki sinaptik bağlantıların öğrenme sırasında güçlenmesine benzer şekilde, belirli yolları güçlendirecek şekilde ayarlanıyor. MTJ'lerin ikili anahtarlaması, onları bilgi depolamak için güvenilir kılarken, alternatif nöromorfik yaklaşımları uzun süredir engelleyen bir sorunu çözüyor. Ekibin bir sonraki hedefi ise kavram kanıtını daha büyük boyutlara ölçeklendirmek olarak belirlendi.
