Hardware-Aware On-Chip Learning with a Scalable Single-Transistor-based Neuromorphic Platform

تتمتع الحواسيب الحديثة بقوة هائلة، لكنها أيضاً نهمة للطاقة. ومع ازدياد تعقيد الذكاء الاصطناعي، أصبح استهلاك الطاقة اللازم لتشغيله يمثل عائقاً، خاصة بالنسبة للأجهزة التي تحتاج إلى العمل لفترات طويلة ببطاريات صغيرة، مثل الروبوتات أو المستشعرات في البرية. ولحل هذه المشكلة، توجه العلماء إلى طريقة تفكير مختلفة في الحوسبة، تحاكي الدماغ البشري. فبدلاً من معالجة المعلومات في تدفق مستمر وثابت مثل الآلة الحاسبة التقليدية، تستخدم هذه الأنظمة "العصبية" (neuromorphic) نبضات صغيرة غير متزامنة من المعلومات تسمى "النبضات" (spikes). وتعد هذه الطريقة أكثر كفاءة لأن النظام يعمل فقط عندما يكون هناك شيء جديد لمعالجته. ومع ذلك، كان تعليم هذه الآلات الشبيهة بالدماغ مهام جديدة أثناء تشغيلها عقبة رئيسية؛ ففي معظم التصميمات، تكون الحالة الداخلية للعصبون —أي "ذاكرته" لما تلقاه للتو— مخفية داخل الأجهزة، مما يجعل من المستحيل تقريباً على النظام تعديل اتصالاته والتعلم من أخطائه دون استخدام مستشعرات خارجية مكلفة ومستهلكة للطاقة.

لقد أثبت فريق من الباحثين في جامعة سيول الوطنية ومعهد كوريا للعلوم والتكنولوجيا الآن طريقة لتعليم هذه الأنظمة دون الحاجة أبداً إلى "النظر" داخل العصبونات. فقد بنوا نوعاً جديداً من الرقائق حيث تعتمد عملية التعلم فقط على الإشارات الموجودة بالفعل على السطح: التيار الكهربائي المتدفق بين المكونات وتوقيت النبضات نفسها. ومن خلال تصميم الأجهزة وبرمجيات التعلم ليعملا معاً، ابتكروا نظاماً يمكنه التعلم على الرقاقة، باستخدام ترانزستور واحد ليعمل كتشابك عصبي، وعصبون، ومولد إشارة تعلم في آن واحد. يزيل هذا النهج الحاجة إلى قراءة الجهد الكهربائي الداخلي الخفي للعصبون، وهي خطوة كانت تتطلب سابقاً دوائر ضخمة وتستهلك الكثير من الطاقة. والنتيجة هي منصة موحدة ليست أصغر وأبسط فحسب، بل قادرة أيضاً على التعلم المستمر، والتكيف مع المعلومات الجديدة مع تذكر ما تعلمته بالفعل.

يكمن جوهر هذا الاختراق في كيفية حل الباحثين لمشكلة "الوصول إلى الحالة" (state access). ففي الدماغ الاصطناعي التقليدي، لكي يتعلم الحاسوب جعل العصبون يطلق نبضة في الوقت المناسب، يحتاج إلى معرفة مقدار الشحنة الكهربائية الموجودة بداخله بدقة في أي لحظة معينة. وفي الأجهزة المادية، تكون هذه الشحنة محبوسة داخل الجهاز، ويتطلب قياسها دوائر معقدة ومستهلكة للطاقة، مما يلغي الغرض من وجود نظام منخفض الطاقة. أدرك الباحثون أنهم ليسوا بحاجة إلى قياس هذه الشحنة المخفية إذا أمكنهم استخدام التيار المتدفق إلى العصبون كبديل لها. وقد طوروا طريقة تسمى "التدرج البديل القائم على التيار" (current-based surrogate gradient). فبدلاً من السؤال "كم تبلغ سعة بطارية العصبون؟"، يسأل النظام "كم مقدار التيار المتدفق الآن؟". فإذا كان التيار ضمن نطاق صحي محدد، يعرف النظام أن العصبون يتعلم بشكل صحيح، وإذا كان التيار مرتفعاً جداً أو منخفضاً جداً، يعرف أن هناك حاجة إلى تعديل. وهذا يسمح للرقاقة بتوليد إشارات التعلم الخاصة بها باستخدام البيانات المتاحة طبيعياً عند نقاط الاتصال بين العصبونات.

ولجعل هذا العمل ممكناً في العالم الحقيقي، قام الفريق بتصنيع رقاقة خاصة باستخدام عملية تصنيع قياسية، ولكن مع لمسة ذكية؛ حيث استخدموا نوعاً واحداً من الترانزستورات التي يمكنها أداء ثلاث وظائف مختلفة اعتماداً على كيفية تهيئتها. حيث عملت مجموعة من هذه الترانزستورات كتشابكات عصبية، وهي الوصلات التي تخزن قوة الذاكرة. وعملت مجموعة أخرى كعصبونات، والتي تجمع الشحنة الكهربائية حتى تصل إلى نقطة الانطلاق وتطلق نبضة. بينما عملت المجموعة الثالثة كآلية تعلم، تراقب التيار وتقرر متى ترسل إشارة تصحيحية. ولأن جميع هذه المكونات مبنية من نفس اللبنة الأساسية، يمكن حشرها بكثافة في رقاقة واحدة. وقد أظهر الباحثون أن هذه الترانزستورات يمكنها تخزين مستويات مختلفة من "الأوزان" بموثوقية، ودمج الإشارات الواردة بمرور الوقت، وإطلاق نبضات تماثل العصبونات البيولوجية. والأهم من ذلك، أن مكون التعلم استطاع اكتشاف ما إذا كان النظام يعمل بشكل صحيح أو خاطئ بمجرد النظر إلى التيار، دون الحاجة إلى الوصول إلى الجهد الداخلي الخفي للعصبون.

اختبر الفريق هذا النظام من خلال محاكاة حاسوبية واسعة النطاق استخدمت السلوك الفعلي لرقائقهم المادية. وقاموا بتدريب الشبكة على مجموعة متنوعة من المهام، بدءاً من التعرف على الأرقام المكتوبة بخط اليد إلى تحديد الأشياء المعقدة في الصور وتفسير مقاطع الفيديو من الكاميرات القائمة على الأحداث. وفي هذه الاختبارات، كان أداء الطريقة الجديدة يضاهي طرق التعلم التقليدية التي تعتمد على الوصول الكامل إلى الحالات الداخلية. كما تمكن النظام من تعلم فئات جديدة من الأشياء دون نسيان ما أتقنه بالفعل، وهي قدرة تُعرف باسم "التعلم المستمر". ويعد هذا إنجازاً كبيراً لأن العديد من المحاولات السابقة لتعليم هذه الأنظمة على الرقاقة أدت إلى "النسيان الكارثي"، حيث يؤدي تعلم شيء جديد إلى مسح الذكريات القديمة. وباستخدام إشارات التعلم الجديدة، أظهر الباحثون أن النظام يمكنه التكيف مع المعلومات الجديدة مع الاحتفاظ بمعرفته السابقة، حتى عندما كانت الأجهزة نفسها غير مثالية ومليئة بالضجيج.

إن الآثار المترتبة على كفاءة الطاقة كبيرة للغاية. فقد قدر الباحثون أنه باستخدام نهجهم التناظري القائم على النبضات، يمكن تقليل الطاقة المطلوبة لتشغيل "الاستدلال" (inference) —أي اتخاذ قرار بناءً على بيانات جديدة— بأكثر من 60 بالمائة مقارنة بالأنظمة الرقمية بالكامل. وفي بعض التكوينات المحددة، كانت المدخرات أعلى من ذلك، حيث وصلت إلى أكثر من 85 بالمائة. ويعود ذلك إلى أن النظام يتجنب التكلفة الطاقية الهائلة لتحويل الإشارات التناظرية إلى أرقام رقمية والعكس، كما أنه لا يستهلك طاقة إلا عندما تحدث نبضة فعلية. وبينما لا تزال عملية تعليم الرقاقة تتطلب في البداية بعض النبضات عالية الجهد التي تستهلك الطاقة، فقد أشار الباحثون إلى أن هذه التكلفة هي مجرد عملية إعداد لمرة واحدة أو حدث نادر، في حين أن توفير الطاقة أثناء التشغيل اليومي هو أمر مستمر وكبير.

لا يدعي هذا العمل أنه قد حل كل مشكلة في الذكاء الاصطناعي، كما لا يشير إلى أن هذه الرقائق جاهزة لاستبدال المعالجات في هاتفك الذكي غداً. وقد كان الباحثون حذرين في الإشارة إلى أنه بينما تعمل إشارات التعلم بشكل جيد، فإن التكلفة الطاقية الكاملة لنظام تعلم متكامل وشامل لم تُقس بعد في جهاز واقعي. ولا تزال هناك تحديات في توسيع نطاق التصنيع ودمج دوائر التحكم اللازمة لإدارة هذه الرقائق. ومع ذلك، توفر الدراسة دليلاً واضحاً على إمكانية بناء حاسوب يشبه الدماغ يمكنه التعلم من تلقاء نفسه دون الحاجة إلى رؤية أفكاره الداخلية. ومن خلال تصميم الأجهزة لتتحدث نفس لغة خوارزمية التعلم، فتح الفريق مساراً نحو آلات تكيفية وموفرة للطاقة يمكنها التعلم والتطور في العالم الحقيقي، تماماً مثل الأدمغة البيولوجية التي صُممت لمحاكاتها.