به گزارش ایراسین به نقل از ستاد ویژه توسعه فناوری نانو، محققان ژاپنی، دستگاهی مبتنی بر گرافن و ژل یونی توسعه داده‌اند که با الهام از ساختار مغز، محاسبات یادگیری ماشین را تا ۱۰۰ برابر کم‌مصرف‌تر می‌کند. این ابزار با عملکردی مشابه یادگیری عمیق، زمان و انرژی پردازشی را به شدت کاهش می‌دهد و با طراحی انعطاف‌پذیر، قابلیت ادغام در الکترونیک نسل آینده را دارد.

با رشد روزافزون استفاده از فناوری‌های یادگیری ماشین، مصرف انرژی این سیستم‌ها نیز به طور قابل توجهی افزایش یافته و نیاز به دستگاه‌های هوش مصنوعی با مصرف انرژی پایین و عملکرد محاسباتی بالا بیش از پیش احساس می‌شود. در این میان، دستگاه‌های موسوم به “Physical Reservoirs” یا رزرویرهای فیزیکی، به دلیل پردازش اطلاعات الهام‌گرفته از مغز و توانایی انجام محاسبات کم‌مصرف با بار محاسباتی پایین مورد توجه قرار گرفته‌اند. با این حال، عملکرد محاسباتی پایین‌تر نسبت به پردازش نرم‌افزاری تاکنون یک محدودیت جدی بوده است.

محققانی از مرکز علوم مواد ملی ژاپن (NIMS)، دانشگاه توکیو و دانشگاه کوبه موفق به توسعه یک دستگاه مبتنی بر ترانزیستور لایه دوگانه الکتریکی با ژل یونی و گرافن (Ion-Gel/Graphene Electric Double Layer, EDL) شدند که با عنوان Ion-Gating Reservoir (IGR) شناخته می‌شود. این دستگاه عملکرد محاسباتی بسیار بالایی ارائه می‌دهد که با یادگیری عمیق نرم‌افزاری قابل مقایسه است، در حالی که بار محاسباتی را به حدود یک‌صدم کاهش می‌دهد.

کلید موفقیت این سیستم در ترکیب گرافن با تحرک الکترونی بالا و رفتار امبی‌پلاری (ambipolar) و ژل یونی نهفته است. تعامل پیچیده بین یون‌ها و الکترون‌ها موجب می‌شود که دستگاه بتواند به سیگنال‌های ورودی با ثوابت زمانی گسترده و متغیر پاسخ دهد و انواع پاسخ‌ها با سرعت‌های مختلف ایجاد شود. این ویژگی، انعطاف و دقت بالای محاسباتی را به همراه دارد.

به گفته محققان، این دستگاه که به Physical Reservoir Computing شهرت دارد، عملکرد بالاترین سطح را در میان رزرویرهای فیزیکی مرسوم ارائه کرده و توانسته مصرف انرژی و بار پردازشی را به شدت کاهش دهد. علاوه بر این، طراحی مبتنی بر گرافن و ژل یونی به این سیستم اجازه می‌دهد تا به راحتی با الکترونیک انعطاف‌پذیر و دستگاه‌های لبه‌ای نسل آینده سازگار شود، که این موضوع آن را به گزینه‌ای مناسب برای کاربردهای پیشرفته هوش مصنوعی تبدیل می‌کند.

این نوآوری می‌تواند تحولی در ساخت تراشه‌های کم‌مصرف هوش مصنوعی، پردازش داده‌های لبه‌ای و اینترنت اشیا (IoT) مبتنی بر یادگیری ماشین ایجاد کند و نشان دهد که ترکیب مواد پیشرفته مانند گرافن با طراحی الهام‌گرفته از مغز، می‌تواند اثربخشی و پایداری انرژی سیستم‌های هوشمند را به شدت افزایش دهد.