اولین کامپیوتر ممریستوری برنامه‌پذیر، پردازش هوش مصنوعی فارغ از ابر

ساختار کلی ممریستور

ممریستور فیزیکی دو الکترود از جنس پلاتین دارد و مقاومت آن به قطبش (پلاریتی)، بزرگی و طول آن وابسته است. وقتی ولتاژ قطع می‌شود، مقدار مقاومت خود پیش از قطع ولتاژ را حفظ می‌کند. به‌همین سبب ممریستور حافظه غیرفرار است. در شکل ۱، دو پایانه ممریستور، دی‌اکسید تیتانیوم را به‌عنوان ماده مقاومتی بر می‌گیرند. ممکن است در برخی ممریستورهای دیگر از دی‌اکسید سیلیکون استفاده شود، اما دی‌اکسید تیتانیوم بهتر کار می‌کند. وقتی روی دو پایانه ممریستور ولتاژ اعمال می‌شود، اتم‌های اکسیژن به‌ چپ یا راست وامی‌پاشند و ماده بسته به قطبش ولتاژ، نازک‌تر یا ضخیم‌تر می‌شود و مقدار مقاومت نیز بسته به آن تغییر می‌یابد.

شکل ۱. ساختار کلی ممریستور

ممریستور چیست، چه ویژگی‌هایی دارد و چگونه ساخته می‌شود

نام ممریستور که «لئون اونگ چوآ» آن‌را در سال ۱۹۷۱ به‌شکل نظری مطرح کرد از ترکیب دو واژه مموری به‌معنای حافظه و رسیستور به معنای مقاومت ساخته شده است. ممریستور را که قطعه‌ای نیمه‌رسانا است، چهارمین عنصر بنیادی مدارهای دوپایانه‌ای (در کنار مقاومت، خازن و سیم‌پیچ) قلمداد می‌شود. ویژگی خاص ممریستور این است که می‌توان حافظه آن‌را برنامه‌ریزی و آن برنامه را ذخیره کرد. ممریستورها برخلاف حافظه‌های اصلی امروزی، پایدار هستند و حتا وقتی برق‌شان قطع می‌شود حالت خود را به خاطر می‌سپارند. به‌همین سبب، ممریستور حافظه‌‌ غیرفراری است. حافظه‌های اصلی که اکثر رایانه‌های امروزی از آن بهره می‌برند، بسیار سریع هستند اما با قطع برق، داده‌های خود را از دست می‌دهند. در سوی دیگر، حافظه‌های فلش حتا در نبود برق نیز اطلاعات خود را حفظ می‌کنند، اما در عوض کند هستند. اما ممریستور هر دو مزیت مذکور یعنی سرعت و پایایی را یک‌جا ارائه می‌دهد. نخستین ممریستور در سال ۲۰۰۸ ساخته شد. گروه پژوهشی شرکت اچ‌پی به سرپرستی استنلی ویلیامز دریافت که وقتی مقاومت در زیرقطعه‌های اکسیدفلز بین دو حالت رسانایی و کمتررسانایی سوییچ می‌کند، همان رفتاری را از خود بروز می‌دهد که لئون چوآ درخصوص ممریستور مطرح کرده بود. از آن زمان به بعد، این حوزه به‌سرعت رشد کرد و کارهای زیادی در این باره صورت گرفت. افزایش پایداری قطعات ممریستوری (تا ۱۲۰ میلیون دوره یا سیکل) و ارتقای توان یادداری آن‌ها (تا ۱۰ سال یا بیشتر) از جمله دستاوردهای این حوزه است.
ممریستورها چند ویژگی جذاب دارند که دانشمندان رایانه را علاقه‌مند به خود کرده‌اند: ممریستورها در مقایسه با فناوری‌های ذخیره‌سازی حالت جامد، برای کار به انرژی کمتری نیاز دارند و ظرفیت ذخیره‌سازی آن‌ها در مقدار فضای مشابه دست‌کم دوبرابر بیشتر است. ممریستورها همچنین برخلاف فناوری‌های ترانزیستورمحور، در مواجهه با تشعشات تقریبا آسیب‌ناپذیرند. یکی دیگر از علل جذابیت قطعات ممریستوری این است که چون مقدار مقاومت الکتریکی ممریستور به زمان ورود جریان الکتریکی به آن بستگی دارد، می‌توان ویژگی‌های حافظه و یادگیری در سیناپس‌های مغز را با کمک آن بازنمایی کرد. لذا رایانش تقلیدکننده سیناپس‌های مغز (نورومورفیک) از جمله حوزه‌های کاربردی مهم ممریستورها است.

برخی مزایای ممریستور در یک نگاه:

• در صورت قطعی برق در مراکز داده، استفاده از ممریستورها اعتمادپذیری و برگشت‌پذیری سیستم را افزایش می‌دهد.
• ممریستورها در وضعیت بیکاری برق مصرف نمی‌کنند.
• ممریستورها در فضای مشابه، اطلاعات بیشتری ذخیره می‌کنند.
• ممریستورها زمان بوت دستگاه را کاهش می‌دهند، زیرا وقتی دستگاه خاموش است، اطلاعات ممریستور از دست نمی‌رود.
• ممریستور مزایایی همچون سرعت در حافظه‌های رم و ماندگاری داده‌ها در هارددیسک‌ها را یک‌جا ارائه می‌دهد.
• ممریستور انرژی کمتری مصرف و گرمای کمتری تولید می‌کند.
• با کمک ممریستور می‌توان رایانه‌های آنالوگ ساخت که بسیار سریع‌تر از نمونه‌های دیجیتال کار کنند.

چرا ممریستورها برای یادگیری ماشین خوب هستند

کلید این فناوری، قطعه‌ کامپیوتری پیشرفته‌ای به‌نام ممریستور است. ممریستور، عنصری مداری و نوعی مقاومت الکتریکی دارای حافظه و مقاومت متغیری است که می‌تواند اطلاعات را ذخیره کند. چون ممریستورها اطلاعات را در محل یکسانی ذخیره و پردازش می‌کنند، بزرگ‌ترین عامل محدودکننده سرعت و قدرت رایانش یعنی اتصال بین حافظه و پردازنده را دور می‌زنند. این قابلیت برای الگوریتم‌های یادگیری ماشین اهمیت ویژه‌ای دارد، زیرا الگوریتم‌های یادگیری ماشین برای انجام اموری همچون شناسایی اشیاء در تصاویر و ویدیوها یا پیش‌بینی این‌که بیماران کدام بیمارستان در معرض خطر عفونت هستند، با داده‌های انبوهی سروکار دارند. در حال حاضر، برنامه‌نویس‌ها ترجیح می‌دهند این الگوریتم‌ها را روی پردازنده‌های گرافیکی اجرا کنند و تا حد امکان به سراغ پردازنده‌های مرکزی نروند. لو می‌گوید: «پردازنده‌های گرافیکی مدارهای دیجیتالی بسیار سفارشی و بهینه‌شده‌ای هستند که عملکردشان از حیث برق مصرفی و توان عملیاتی حدود ۱۰ تا ۱۰۰ برابر بهتر از پردازنده‌های اصلی است. اما پردازنده‌های ممریستوری هوش مصنوعی می‌توانند از خود پردازنده‌های گرافیکی نیز ۱۰ تا ۱۰۰ برابر بهتر باشند.» پردازنده‌های گرافیکی در انجام وظایف یادگیری ماشین بهترند، زیرا هزاران هسته کوچک دارند که با کمک آن‌ها همه محاسبات را هم‌زمان انجام می‌دهند؛ حال آن‌که در پردازنده‌های اصلی، رشته‌‌ محاسبات باید منتظر بمانند تا برای اجرا روی یکی از هسته‌های قدرتمند اما کم‌تعداد سی‌پی‌یو، نوبت‌ پردازش‌شان برسد، اما با آرایه ممریستوری کار ساده‌تر می‌شود. هر ممریستور محاسبه مختص خود را انجام می‌دهد و درنتیجه، هزاران عملیات درون یک هسته می‌تواند هم‌زمان اجرا شود. رایانه آزمایشی دانشگاه میشیگان بیش از ۵۸۰۰ ممریستور دارد، اما طراحی چنین کامپیوتری در مقیاس تجاری می‌تواند میلیون‌ها ممریستور داشته باشد(شکل ۲).

شکل۲. با اتصال تراشه آرایه ممریستور به تراشه عادی کامپیوتر، اولین کامپیوتر ممریستوری برنامه‌پذیر شکل می‌گیرد. گروه لو نشان داد که چنین کامپیوتری می‌تواند سه گونه استاندارد از الگوریتم‌های یادگیری ماشین را اجرا کند. (عکس از رابرت کوئلیوس، دانشکده مهندسی دانشگاه میشیگان)

آرایه‌های ممریستوری مخصوصا برای مسائل یادگیری ماشین مناسب هستند. علت آن، نحوه تبدیل داده‌ به بردار (در اصل، فهرست‌هایی از نقاط داده) توسط الگوریتم‌های یادگیری ماشین است. به‌طور مثال، برای پیش‌بینی خطر عفونت بیمار در یک بیمارستان، چنین برداری ممکن است بازنمایی‌های عددی عوامل خطرآفرین برای بیمار را فهرست کند.
الگوریتم‌های یادگیری ماشین، این بردارهای ورودی (input) را با بردارهای اصلی (feature) ذخیره شده در حافظه مقایسه می‌کنند. بردارهای اصلی ویژگی‌های خاص داده (مثل وجود یک بیماری نهفته) را نشان می‌دهند. اگر نتیجه مقایسه مثبت باشد، سامانه درمی‌یابد که داده ورودی، آن ویژگی را دارد. بردارها در ماتریس‌هایی ذخیره می‌شوند که مانند صفحه‌گسترده‌های ریاضی هستند و این ماتریس‌ها می‌توانند مستقیما روی آرایه‌های ممریستور بازنمایی شوند. با خوراندن داده‌ها به آرایه، بخش عمده پردازش ریاضی، درون مقاومت طبیعی
(natural resistance) در  ممریستورها صورت می‌پذیرد و دیگر لازم نیست بردارهای اصلی به‌منظور انجام محاسبات، به درون و بیرون حافظه منتقل شوند. این فرآیند کارایی آرایه‌ها را در انجام محاسبات پیچیده ماتریسی بسیار ارتقا می‌دهد. مطالعات پیشین، قابلیت ممریستور در افزایش سرعت یادگیری ماشین را تایید کرده بود، اما عملیاتی شدن آن‌ها به عناصر رایانشی خارجی احتیاج داشت.

ساخت کامپیوتر ممریستوری برنامه‌پذیر

گروه لو جهت ساخت اولین کامپیوتر ممریستوری برنامه‌پذیر با همکاری استاد ژنگیا ژانگ و استاد مایکل فلین (مهندسان برق و کامپیوتر دانشگاه میشیگان) تراشه‌ای طراحی کردند تا آرایه ممریستور را با تمام دیگر عناصر لازم جهت برنامه‌ریزی و اجرای آن یکپارچه کنند. آن عناصر عبارت بودند از یک پردازنده دیجیتال عادی و کانال‌های ارتباطی و نیز مبدل‌های دیجیتال/آنالوگ که بین آرایه ممریستور آنالوگ و دیگر اجزای کامپیوتر نقش مفسر را بازی می‌کرد. گروه لو پس از آن، آرایه ممریستور را مستقیما روی تراشه یکپارچه کرد. آن‌ها سپس نرم‌افزاری ساختند تا الگوریتم‌های یادگیری ماشین را روی ساختار ماتریس‌وار آرایه ممریستور بازنمایی کنند. آن‌ها نتیجه کار خود را با سه الگوریتم متعارف یادگیری ماشین ارائه کردند:

• الگوریتم پرسپترون (Perceptron) که برای طبقه‌بندی اطلاعات به کار می‌رود. آن‌ها توانستند حروف یونانی ناقص نوشته شده را با دقت ۱۰۰ درصد شناسایی کنند.
• الگوریتم Sparse coding که داده‌ها و به‌ویژه تصاویر را فشرده و دسته‌بندی می‌کند. رایانه ممریستوری آن‌ها توانست موثرترین راه بازسازی تصاویر را در یک مجموعه پیدا و الگوها را با دقت ۱۰۰ درصد شناسایی کند.
• الگوریتم شبکه عصبی دولایه‌، که برای الگویابی در داده‌های پیچیده طراحی شده بود. این شبکه دولایه، عوامل مشترک و متفاوت در داده‌های گونه‌ای از سرطان را پیدا و سپس هر مورد را برحسب بدخیمی و خوش‌خیمی با دقت ۹۴.۶ درصد طبقه‌بندی کرد.

تجاری‌سازی کامپیوتر ممریستوری برنامه‌پذیر با چالش‌هایی مواجه است. ممریستورها هنوز آن‌گونه که باید همسان ساخته نمی‌شوند و اطلاعات ذخیره‌شده در آرایه ممریستور کاملا قابل اطمینان نیست، زیرا فقط در زنجیره آنالوگ اجرا می‌شود و نه در زنجیره دیجیتال یا هر دو. لو در نظر دارد این فناوری را به مرحله تجاری برساند. مطالعات آن‌ها به‌شکل مقاله‌ای با عنوان: A fully integrated reprogrammable memristor–CMOS system for efficient multiply–accumulate operations در مجله «نیچر الکترونیکس»، زیرمجموعه مجله نیچر، منتشر شده است.

منبع:شبکه-مگ