Para peneliti telah mengembangkan transistor sinaptik baru yang meniru kemampuan pemrosesan dan memori terintegrasi otak manusia. Perangkat ini beroperasi pada suhu ruangan, hemat energi, dan dapat melakukan tugas kognitif kompleks seperti pembelajaran asosiatif, menjadikannya kemajuan signifikan dalam bidang kecerdasan buatan. Kredit: Xiaodong Yan/Universitas Northwestern
Transistor melakukan pembelajaran asosiatif hemat energi pada suhu kamar.
Berdasarkan cara kerja otak manusia yang rumit, tim peneliti dari Northwestern University, Boston College, dan Massachusetts Institute of Technology (MIT) telah menciptakan transistor sinaptik yang inovatif.
Perangkat canggih ini tidak hanya memproses tetapi juga menyimpan informasi, mencerminkan sifat multifungsi otak manusia. Eksperimen terbaru yang dilakukan oleh tim menunjukkan bahwa transistor ini melampaui tugas pembelajaran mesin sederhana untuk mengkategorikan data dan mampu melakukan pembelajaran asosiatif.
Meskipun penelitian sebelumnya telah memanfaatkan strategi serupa untuk mengembangkan perangkat komputasi mirip otak, transistor tersebut tidak dapat berfungsi di luar suhu kriogenik. Sebaliknya, perangkat baru ini stabil pada suhu ruangan. Ia juga beroperasi dengan kecepatan tinggi, mengkonsumsi sedikit energi dan menyimpan informasi bahkan ketika daya dimatikan, sehingga ideal untuk aplikasi dunia nyata.
Studi ini baru-baru ini dipublikasikan di jurnal Alam.
Meniru Efisiensi Otak
“Otak memiliki arsitektur yang berbeda secara fundamental dibandingkan komputer digital,” kata Mark C. Hersam dari Northwestern, yang ikut memimpin penelitian tersebut. “Dalam komputer digital, data berpindah bolak-balik antara mikroprosesor dan memori, yang menghabiskan banyak energi dan menciptakan hambatan ketika mencoba melakukan banyak tugas pada waktu yang sama. Di sisi lain, di otak, memori dan pemrosesan informasi berada di lokasi yang sama dan terintegrasi penuh, sehingga menghasilkan efisiensi energi yang jauh lebih tinggi. Transistor sinaptik kami juga mencapai fungsi memori dan pemrosesan informasi secara bersamaan agar dapat meniru otak dengan lebih akurat.”
Hersam adalah Profesor Sains dan Teknik Material Walter P. Murphy di Sekolah Teknik McCormick Northwestern. Ia juga merupakan ketua departemen ilmu dan teknik material, direktur Pusat Sains dan Rekayasa Penelitian Material, dan anggota Institut Internasional untuk Nanoteknologi. Hersam memimpin penelitian bersama Qiong Ma dari Boston College dan Pablo Jarillo-Herrero dari DENGAN.
Kekuatan Pendorong Dibalik Pembangunan
Kemajuan terbaru dalam kecerdasan buatan (AI) telah memotivasi para peneliti untuk mengembangkan komputer yang beroperasi lebih mirip otak manusia. Sistem komputasi digital konvensional memiliki unit pemrosesan dan penyimpanan terpisah, sehingga menyebabkan tugas-tugas intensif data memakan energi dalam jumlah besar. Dengan perangkat pintar yang terus mengumpulkan data dalam jumlah besar, para peneliti berupaya menemukan cara baru untuk memproses semua data tanpa mengonsumsi daya yang semakin besar. Saat ini, resistor memori, atau “memristor,” adalah teknologi paling berkembang yang dapat melakukan gabungan fungsi pemrosesan dan memori. Namun memristor masih mengalami peralihan yang memakan biaya energi.
“Selama beberapa dekade, paradigma dalam bidang elektronik adalah membangun segala sesuatunya dari transistor dan menggunakan arsitektur silikon yang sama,” kata Hersam. “Kemajuan signifikan telah dicapai hanya dengan memasukkan lebih banyak transistor ke dalam sirkuit terpadu. Anda tidak dapat menyangkal keberhasilan dari strategi tersebut, namun hal ini harus dibayar dengan konsumsi daya yang tinggi, terutama di era big data saat ini dimana komputasi digital berada pada jalur yang akan membebani jaringan listrik. Kita harus memikirkan kembali perangkat keras komputasi, terutama untuk tugas AI dan pembelajaran mesin.”
Desain Inovatif Menggunakan Pola Moiré
Untuk memikirkan kembali paradigma ini, Hersam dan timnya mengeksplorasi kemajuan baru dalam fisika pola moiré, sejenis desain geometris yang muncul ketika dua pola ditumpangkan satu sama lain. Ketika material dua dimensi ditumpuk, muncul sifat-sifat baru yang tidak hanya ada pada satu lapisan saja. Dan ketika lapisan-lapisan tersebut dipelintir untuk membentuk pola moiré, kemampuan penyesuaian properti elektronik yang belum pernah terjadi sebelumnya menjadi mungkin terjadi.
Untuk perangkat baru ini, para peneliti menggabungkan dua jenis bahan yang sangat tipis secara atom: bilayer graphene dan boron nitrida heksagonal. Ketika ditumpuk dan dipelintir dengan sengaja, bahan-bahan tersebut membentuk pola moiré. Dengan memutar satu lapisan relatif terhadap lapisan lainnya, para peneliti dapat mencapai sifat elektronik yang berbeda di setiap lapisan graphene meskipun hanya dipisahkan oleh dimensi skala atom. Dengan pilihan putaran yang tepat, para peneliti memanfaatkan fisika moiré untuk fungsi neuromorfik pada suhu kamar.
“Dengan twist sebagai parameter desain baru, jumlah permutasi sangat banyak,” kata Hersam. “Grafena dan boron nitrida heksagonal memiliki struktur yang sangat mirip tetapi cukup berbeda sehingga Anda mendapatkan efek moiré yang sangat kuat.”
Kemampuan dan Pengujian Tingkat Lanjut
Untuk menguji transistor, Hersam dan timnya melatihnya untuk mengenali pola yang serupa – tetapi tidak identik. Awal bulan ini, Hersam memperkenalkan perangkat nanoelektronik baru yang mampu menganalisis dan mengkategorikan data dengan cara yang hemat energi, namun transistor sinaptik barunya membutuhkan waktu lebih lama. pembelajaran mesin dan AI satu lompatan lebih jauh.
“Jika AI dimaksudkan untuk meniru pemikiran manusia, salah satu tugas tingkat terendah adalah mengklasifikasikan data, yaitu dengan memilah-milah data,” kata Hersam. “Tujuan kami adalah memajukan teknologi AI ke arah pemikiran tingkat tinggi. Kondisi dunia nyata sering kali lebih rumit daripada yang dapat ditangani oleh algoritma AI saat ini, jadi kami menguji perangkat baru kami dalam kondisi yang lebih rumit untuk memverifikasi kemampuan canggihnya.”
Pertama, para peneliti menunjukkan perangkat satu pola: 000 (tiga angka nol berturut-turut). Kemudian, mereka meminta AI untuk mengidentifikasi pola serupa, seperti 111 atau 101. “Jika kami melatihnya untuk mendeteksi 000 lalu memberikannya 111 dan 101, ia akan mengetahui bahwa 111 lebih mirip dengan 000 daripada 101,” jelas Hersam. “000 dan 111 tidak persis sama, tapi keduanya merupakan tiga angka yang berurutan. Menyadari bahwa kesamaan adalah bentuk kognisi tingkat tinggi yang dikenal sebagai pembelajaran asosiatif.”
Dalam percobaan, transistor sinaptik baru berhasil mengenali pola serupa, menampilkan memori asosiatifnya. Bahkan ketika para peneliti melemparkan bola melengkung – seperti memberikan pola yang tidak lengkap – hal itu masih berhasil menunjukkan pembelajaran asosiatif.
“AI yang ada saat ini mudah dibingungkan, sehingga dapat menimbulkan masalah besar dalam konteks tertentu,” kata Hersam. “Bayangkan jika Anda menggunakan kendaraan self-driving, dan kondisi cuaca memburuk. Kendaraan mungkin tidak dapat menafsirkan data sensor yang lebih rumit seperti halnya pengemudi manusia. Namun bahkan ketika kami memberikan masukan yang tidak sempurna pada transistor kami, transistor masih dapat mengidentifikasi respons yang benar.”
Referensi: “Transistor sinaptik Moiré dengan fungsionalitas neuromorfik suhu kamar” oleh Xiaodong Yan, Zhiren Zheng, Vinod K. Sangwan, Justin H. Qian, Xueqiao Wang, Stephanie E. Liu, Kenji Watanabe, Takashi Taniguchi, Su-Yang Xu, Pablo Jarillo-Herrero, Qiong Ma dan Mark C. Hersam, 20 Desember 2023, Alam.
DOI: 10.1038/s41586-023-06791-1
Studi ini didanai oleh National Science Foundation.
RisalahPos.com Network
Related posts
# PARTNERSHIP
