Chip memristor và thuật toán mới giúp mạng lưới thần kinh nhân tạo hoạt động như bộ não người

Một điều thú vị về mạng lưới thần kinh nhân tạo là chúng không thực sự hoạt động như bộ não. Cho dù nhiều người thường so sánh các nơ ron trong bộ não với các điểm nút trong mạng lưới thần kinh nhân tạo, nơi dữ liệu đầu vào được ánh xạ tới các tín hiệu đầu ra, nhưng phần lớn các dữ liệu đó chỉ là hình ảnh bề ngoài. Thậm chí, nó còn không phải là một “thuật toán thần thánh” hay điều gì tương tự như vậy.

Tuy nhiên, các kỹ sư tại Đại học Michigan đang nỗ lực đưa nó gần giống hơn với một bộ não thực sự, bằng sự trợ giúp từ một thiết bị điện tử đặc biệt được gọi là memristor. Họ đã phát triển một thuật toán mã hóa mật độ thấp (sparse coding) mới, sử dụng các mạng lưới memristor để ước lượng các khả năng nhận biết mô hình của não bộ động vật có vú.

Một nguyên mẫu memristor làm từ nhôm oxit và Titan oxit.

Theo như kết quả hiện được mô tả trong tạp chí Nature Nanotechnology, nó cho phép xử lý các hình ảnh – hay bất kỳ khối dữ liệu rất lớn nào, đều nhanh hơn nhiều so với các máy tính đòi hỏi lượng tài nguyên khổng lồ hiện tại.

Nguyên mẫu phần cứng được mô tả trong tài liệu là một mảng các memristor với kích thước mỗi chiều 32 x 32. Về cơ bản, một memristor là một điện trở thông thường có chứa một loại bộ nhớ. Khả năng cản trở dòng điện của nó, thay đổi dựa trên hiệu điện thế mà nó được đặt vào trong quá khứ. (Một điện trở thông thường sẽ giữ nguyên khả năng của mình bất kể hiệu điện thế nào được đặt vào).

Mảng memristor với kích thước 32x32.

Kết quả là các memristor sẽ mang tới một phương pháp xử lý và lưu trữ dữ liệu cùng lúc, trong khi một kiến trúc điện toán thông thường thì hai quá trình này tách rời nhau. Nghĩa là dữ liệu lấy về sẽ cần được nạp vào các mạch xử lý từ một vị trí từ xa trong máy tính.

Điều này có thể là một hướng tiếp cận quan trọng khi các vấn đề lớn nhất trong ngành điện toán hiện tại đều liên quan đến điện toán song song – xây dựng các cỗ máy có thể thực hiện nhiều phép tính cùng lúc trong khi xử lý sự chậm trễ vốn có ngay cả trong những công nghệ bộ nhớ nhanh nhất.

Bên cạnh kiến trúc của các memristor, thuật toán mã hóa thưa thớt cũng mở ra các hướng phát triển mới. Nói chung, đó là cách các loài động vật như con người đưa ra các quyết định ngay lập tức về chính xác những gì mình vô tình nhìn thấy. Mã hóa ở trong bối cảnh này không liên quan đến việc mã hóa trong máy tính, mà là các mô hình hoạt động cụ thể diễn ra trong bộ não tương ứng với các đối tượng cụ thể.

Một thuộc tính của loại mã hóa này là mỗi phần nơ ron nhỏ sẽ hoạt động mạnh mẽ với một kích thích riêng biệt (như một vật thể dễ nhận biết). Mã hóa thưa thớt là khi phần nơ ron này thực sự nhỏ - dù chỉ có một vài nơ ron bắt đầu được chiếu sáng, nhưng bộ não vẫn có thể đưa ra quyết định chắc chắn.

Khả năng xử lý hình ảnh đáng kinh ngạc của mảng các memristor.

Đồng tác giả của nghiên cứu này, Wei Lu cho biết trong tuyên bố của mình. “Khi chúng ta nhìn vào một chiếc ghế, chúng ta sẽ nhận ra nó bởi vì các đặc tính của nó tương ứng với hình ảnh chúng ta ghi nhớ trong trí não về chiếc ghế.”

“Cho dù không phải tất cả chiếc ghế đều tương tự nhau và có một vài điểm khác biệt so với tiêu chuẩn của nguyên mẫu trong não bộ, nhưng mỗi chiếc ghế vẫn giữ được một số đặc điểm chính cần thiết để dễ nhận biết. Về cơ bản, đối tượng được nhận diện chính xác khi nó được phân loại chính xác – hay khi nó được lưu trữ trong những mục thích hợp trong đầu chúng ta.”

Khai thác được thuật toán mã hóa thưa thớt sẽ mang đến một phương pháp nhằm rút ngắn các thuật toán học sâu thông thường. Với phương pháp này, có lẽ chúng ta không cần phải nạp những bộ dữ liệu khổng lồ cho các mạng lưới thần kinh nhân tạo cho mỗi tác vụ học hình ảnh nhỏ. Thay vào đó, mạch memristor có thể lấy dữ liệu khi nó cần và bắt đầu xây dựng lên các đoạn mã bên trong nó ngay lập tức thay vì chờ nhận được cả bộ dữ liệu lớn. Điều này cũng giống hơn với cách bộ não hoạt động, khi chúng ta có vô số các mạch ngắn thông minh.

“Chúng ta cần thế hệ đồ điện tử thế hệ mới của mình có thể nhanh chóng xử lý các dữ liệu phức tạp ở môi trường động.” Lu nói. “Bạn không thể chỉ viết một chương trình để làm như vậy. Đôi khi thậm chí bạn còn không có một tác vụ được xác định trước. Do vậy, để làm các hệ thống của chúng ta thông minh hơn, chúng ta cần tìm ra cách để chúng xử lý nhiều dữ liệu hiệu quả hơn. Ngành thần kinh học đã truyền cảm hứng cho chúng tôi để hoàn thành được cách tiếp cận này.”

Tham khảo Motherboard