ANH – Các nhà nghiên cứu cho biết, một loại chip máy tính thế hệ mới tận dụng các đặc tính vật lý của vật liệu để xử lý thông tin có thể giúp các hệ thống trí tuệ nhân tạo (AI) trở nên tiết kiệm năng lượng hơn. Các nhà vật lý tại đại học Loughborough (Loughborough university) đã phát triển một thiết bị có khả năng xử lý các dữ liệu biến thiên theo thời gian trực tiếp trên phần cứng, thay vì phụ thuộc vào phần mềm chạy trên các máy tính truyền thống.

Nghiên cứu được công bố trên tạp chí Advanced Intelligent Systems, đã chỉ ra rằng phương pháp trên có thể đạt hiệu suất năng lượng cao gấp 2.000 lần so với các phương pháp dựa trên phần mềm thông thường trong một số tác vụ nhất định, mặc dù mức độ cải thiện cụ thể sẽ tùy thuộc vào từng ứng dụng thực tế.

Tiến sĩ Pavel Borisov, giảng viên cao cấp chuyên ngành vật lý và là trưởng nhóm nghiên cứu, chia sẻ: “Đây là một bước tiến đầy triển vọng vì nó cho thấy có thể tư duy lại cách xây dựng các hệ thống AI. Bằng cách sử dụng các quy trình vật lý thay vì hoàn toàn phụ thuộc vào phần mềm, có thể giảm năng lượng cho những loại tác vụ này.”

Cơ chế hoạt động
Nhiều bài toán AI trong thực tế cần việc xử lý các luồng dữ liệu thay đổi liên tục theo thời gian để nhận diện quy luật và dự đoán xu hướng tương lai, ví dụ như trong hệ thống thời tiết, các quá trình sinh học hoặc dữ liệu từ cảm biến. Một kỹ thuật được gọi là “reservoir computing” thường được sử dụng cho mục đích này. Trong đó, dữ liệu đầu vào được chuyển đổi sang một dạng giúp việc phát hiện và dự đoán trở nên dễ dàng hơn, và thông thường công đoạn này được đảm nhiệm bởi phần mềm.

Thiết bị của đại học Loughborough thực hiện loại tính toán này trực tiếp trên phần cứng. Đây là một dạng điện trở nhớ (memristor) (*), một linh kiện điện tử có khả năng lưu trữ thông tin về các tín hiệu đầu vào trong quá khứ, được chế tạo từ oxit có cấu trúc lỗ rỗng nano. Nó chứa các lỗ hổng nano ngẫu nhiên tạo ra nhiều đường dẫn điện khác nhau. Các đường dẫn này hoạt động tương tự như lớp xử lý ẩn của một mạng thần kinh, cho phép chính vật liệu thực hiện một phần của quá trình tính toán.
(*) Memristor (memory resistor): là một loại linh kiện điện tử thụ động cơ bản thứ tư, bên cạnh điện trở, tụ điện và cuộn cảm.

Kết quả nghiên cứu
Trong dự án nghiên cứu, các chuyên gia đã chứng minh rằng thiết bị này có khả năng xử lý các dữ liệu phụ thuộc vào thời gian. Khi kết quả đầu ra được đưa vào một mô hình máy tính tuyến tính (linear computer model) (*), hệ thống có thể nhận diện các quy luật và đưa ra những dự báo ngắn hạn một cách chính xác.
(*) Linear computer model: là một thuật toán phần mềm đơn giản đóng vai trò là “người thông dịch” cho các tín hiệu phức tạp từ phần cứng (chip memristor).

Nhóm nghiên cứu đã thử nghiệm hệ thống bằng hệ thống Lorenz-63 (Lorenz-63 system), một mô hình toán học nổi tiếng với khái niệm “butterfly effect” (tạm dịch là ‘hiệu ứng cánh bướm’), trong đó những thay đổi cực nhỏ có thể tạo ra kết quả khác biệt hoàn toàn. Ngoài ra, thiết bị cũng được thử nghiệm qua các tác vụ như nhận diện hình ảnh chữ số đơn giản (recognising simple pixelated images of numbers) (*) và thực hiện các phép toán logic cơ bản.
(*) Recognising simple pixelated images of numbers: là bài toán AI kinh điển (tương tự như bộ dữ liệu MNIST). Các nhà nghiên cứu đưa vào các hình ảnh lưới điểm (pixel) mô phỏng các con số từ 0-9, nhằm mục đích kiểm tra khả năng phân loại và nhận diện mẫu của phần cứng.

Trong các bài kiểm tra này, mô hình đã sử dụng dữ liệu được xử lý qua memristor để dự đoán thành công hành vi ngắn hạn của hệ thống Lorenz và khôi phục các dữ liệu bị thiếu. Thiết bị cũng nhận diện chính xác các con số và thực hiện tốt các thao tác logic, chứng minh rằng một linh kiện duy nhất có thể hỗ trợ đa dạng các tác vụ khác nhau.

Các nhà nghiên cứu cho biết phương pháp này có thể giúp giải quyết một thách thức đang ngày càng lớn trong lĩnh vực AI. Khi các hệ thống trở nên mạnh mẽ hơn, nhu cầu về năng lượng của chúng cũng tăng vọt, gây ra những lo ngại về tính bền vững trong dài hạn. Bằng cách chuyển dịch việc tính toán từ phần mềm sang phần cứng, có thể đạt được kết quả tương đương nhưng với mức tiêu thụ năng lượng thấp hơn đáng kể.

Tiến sĩ Borisov cho biết: “Lấy ý tưởng từ cách bộ não con người hình thành vô số các kết nối thần kinh dường như ngẫu nhiên, nhóm nghiên cứu đã tạo ra các kết nối vật lý phức tạp và ngẫu nhiên trong một mạng thần kinh nhân tạo. Điều này được thực hiện bằng cách thiết kế các lỗ rỗng trong màng mỏng oxit niobi kích thước nanomet, tạo nên một linh kiện điện tử hoàn toàn mới.”

Tiến sĩ Borisov nói tiếp: “Nhóm nghiên cứu đã chứng minh được cách dự báo sự tiến triển trong tương lai của một chuỗi thời gian phức tạp bằng các thiết bị này, với mức tiêu thụ năng lượng thấp hơn tới 2.000 lần so với các giải pháp dựa trên phần mềm tiêu chuẩn.”

Các bước kế tiếp
Các nhà nghiên cứu cho biết hệ thống đang ở giai đoạn sơ khai, với các thử nghiệm mới chỉ dừng lại ở những tác vụ tương đối đơn giản. Cần có thêm nhiều nghiên cứu để mở rộng quy mô công nghệ, tăng cường độ phức tạp của các mạng lưới và đánh giá hiệu suất của thiết bị khi đối mặt với các dữ liệu thực tế có nhiều nhiễu động hơn.

Tiến sĩ Borisov chia sẻ: “Các bước tiếp theo của chúng tôi là nâng cao độ phức tạp của mạng thần kinh và tiến hành thử nghiệm với các dữ liệu đầu vào chứa nhiều tín hiệu nhiễu hơn. Chúng tôi tin rằng đây là một phương pháp có khả năng mở rộng và thực tiễn để tạo ra các thiết bị nhỏ gọn, tương thích với tiêu chuẩn công nghiệp cho các ứng dụng AI, đồng thời mang lại hiệu suất năng lượng và khả năng hoạt động ngoại tuyến vượt trội.”

Để xem các tin bài khác về “Chip AI”, hãy nhấn vào đây.

 

Nguồn: Electronics Online