Các mô hình máy tính hiện đại, ví dụ như dành cho những ứng dụng AI phức tạp và mạnh mẽ, đẩy các quy trình máy tính kỹ thuật số truyền thống đến giới hạn của chúng. Các loại kiến ​​trúc điện toán mới mô phỏng nguyên tắc hoạt động của mạng lưới thần kinh sinh học hứa hẹn về khả năng xử lý dữ liệu nhanh hơn, tiết kiệm năng lượng hơn. Một nhóm các nhà nghiên cứu hiện đã phát triển kiến ​​trúc dựa trên sự kiện, sử dụng bộ xử lý quang tử trong đó dữ liệu được vận chuyển và xử lý bằng ánh sáng theo cách tương tự như bộ não, điều này giúp khả năng thích ứng liên tục của các kết nối trong mạng nơ-ron. Những kết nối có thể thay đổi này là cơ sở cho quá trình học tập. Với mục đích nghiên cứu, một nhóm làm việc tại Trung tâm Nghiên cứu Hợp tác 1459 (Vật chất Thông minh), Đại học Münster, đứng đầu là các nhà vật lý gồm Giáo sư Wolfram Pernice, Giáo sư Martin Salinga và chuyên gia máy tính, Giáo sư Benjamin Risse, hợp tác với các nhà nghiên cứu từ Đại học Exeter và Oxford ở Anh. Nghiên cứu này đã được công bố trên tạp chí “Science Advances”.

Điều cần thiết cho mạng nơ-ron trong học máy là các nơ-ron nhân tạo được kích hoạt bởi tín hiệu kích thích bên ngoài và có kết nối với các nơ-ron khác. Kết nối giữa các tế bào nơ-ron nhân tạo này được gọi là synap - giống như bản gốc sinh học. Trong nghiên cứu của mình, nhóm các nhà nghiên cứu đã sử dụng một mạng lưới bao gồm gần 8.400 nơ-ron quang học được làm bằng vật liệu thay đổi pha kết hợp với ống dẫn sóng và nhóm đã chỉ ra rằng kết nối giữa hai nơ-ron này thực sự có thể trở nên mạnh hơn hoặc yếu hơn (synap mềm dẻo) và các kết nối mới có thể được hình thành hoặc loại bỏ các kết nối hiện có (độ dẻo cấu trúc). Ngược lại với những nghiên cứu tương tự khác, các khớp nơ-ron không phải là thành phần phần cứng mà được mã hóa do đặc tính của xung quang, hay nói theo cách khác, là kết quả của bước sóng tương ứng và cường độ của xung quang. Điều này cho phép tích hợp hàng nghìn tế bào thần kinh trên một con chip và kết nối chúng về mặt quang học.

So với các bộ xử lý điện tử truyền thống, bộ xử lý dựa trên ánh sáng cung cấp băng thông cao hơn đáng kể, giúp thực hiện các tác vụ tính toán phức tạp và tiêu thụ năng lượng thấp hơn. Mục tiêu của các nhà khoa học là phát triển một kiến ​​trúc điện toán quang học mà về lâu dài sẽ giúp tính toán các ứng dụng AI một cách nhanh chóng và tiết kiệm năng lượng.

Vật liệu chuyển pha không bay hơi có thể được chuyển đổi giữa cấu trúc vô định hình và cấu trúc tinh thể có mạng nguyên tử với trật tự cao. Tính năng này cho phép lưu trữ dữ liệu vĩnh viễn ngay cả khi không có nguồn cung cấp năng lượng. Các nhà nghiên cứu đã kiểm tra hiệu suất của mạng lưới thần kinh bằng cách sử dụng thuật toán tiến hóa để huấn luyện nó phân biệt giữa văn bản tiếng Đức và tiếng Anh. Tham số nhận dạng họ sử dụng là số lượng nguyên âm trong văn bản. Chi tiết tham khảo tại:

Frank Brückerhoff-Plückelmann, Ivonne Bente, Marlon Becker, Niklas Vollmar, Nikolaos Farmakidis, Emma Lomonte, Francesco Lenzini, C. David Wright, Harish Bhaskaran, Martin Salinga, Benjamin Risse, Wolfram H. P. Pernice. Event-driven adaptive optical neural network. Science Advances, 2023; 9 (42) DOI: 10.1126/sciadv.adi9127

(Sưu tầm)
VIỆN IMC
Tòa nhà IMC Tower, Số 176 Trường Chinh, Phường Khương
Thượng, Quận Đống Đa, Thành phố Hà Nội, Việt Nam
Tel/Fax : (+84) 24 3566 6232 / 24 3566 6234
Email: info@imc.org.vn   Website: https://imc.org.vn