تینا مزدکی_دانشمندان نوع کاملاً جدیدی از ریزتراشه را توسعه داده‌اند که به‌جای مدارهای دیجیتال متداول، از امواج مایکروویو برای انجام عملیات محاسباتی بهره می‌برد.
این پردازنده که از تراشه‌های سنتی سریع‌تر عمل می‌کند، نخستین شبکه عصبی مایکروویوی (Microwave Neural Network – MNN)کاملاً کاربردی است که روی یک تراشه جا می‌گیرد. جزئیات این دستاورد در ۱۴ اوت در نشریه Nature Electronics منتشر شد.
کاربردهایی مانند تصویربرداری راداری به پهنای باند بالا و پردازش سریع نیاز دارند. از آن‌جا که امواج مایکروویو در محدوده آنالوگ طیف الکترومغناطیسی عمل می‌کنند، می‌توانند پاسخگوی این نیاز باشند. به همین دلیل پژوهشگران به‌دنبال رویکرد تازه‌ای در معماری پردازنده‌ها رفته‌اند.
به گفته «بال گوویند»، دانشجوی دکتری دانشگاه کرنل و نویسنده اصلی مقاله، «این تراشه قادر است در پهنه وسیعی از فرکانس‌ها به‌صورت برنامه‌پذیر تغییر شکل دهد و برای انجام چندین نوع پردازش مختلف به‌کار گرفته شود. در نتیجه، بسیاری از مراحل پردازش سیگنال که رایانه‌های دیجیتال باید طی کنند، در این روش حذف می‌شود.»
این تراشه از امواج آنالوگ در محدوده مایکروویو طیف الکترومغناطیسی استفاده می‌کند تا درون یک شبکه عصبی هوش مصنوعی، الگوی دندانه‌داری مشابه شانه در شکل موج ایجاد کند. خطوط طیفی منظم در این «شانه فرکانسی» همچون خط‌کش عمل کرده و امکان اندازه‌گیری سریع و دقیق فرکانس‌ها را فراهم می‌آورد.
شبکه‌های عصبی که پایه‌ی این تراشه مایکروویوی هستند، مجموعه‌ای از الگوریتم‌های یادگیری ماشینی‌اند که از ساختار مغز انسان الهام گرفته‌اند. «مغز مایکروویوی» از گره‌های الکترومغناطیسی به‌هم‌پیوسته درون موج‌برهای قابل تنظیم ساخته شده تا بتواند الگوهای داده را تشخیص دهد و با ورودی‌های جدید سازگار شود.
تراشه‌ی MNN در واقع مداری مجتمع است که اجزای طیفی (فرکانس‌های مجزا در یک سیگنال) را از طریق ثبت ویژگی‌های داده در پهنای باند گسترده پردازش می‌کند.
در آزمایش‌ها، این تراشه توانست عملیات منطقی ساده و محاسبات پیچیده‌تری مانند شناسایی دنباله‌های باینری یا تشخیص الگوها در داده‌های پرسرعت را با دقت ۸۸ درصد انجام دهد. پژوهشگران این عملکرد را در چندین چالش طبقه‌بندی سیگنال‌های بی‌سیم به اثبات رساندند.
به‌گفته‌ی تیم تحقیقاتی، این تراشه در محدوده آنالوگ مایکروویو و با استفاده از رویکرد احتمالاتی، می‌تواند جریان داده‌هایی در مقیاس ده‌ها گیگاهرتز را پردازش کند؛ یعنی دست‌کم ۲۰ میلیارد عملیات در هر ثانیه. این رقم از سرعت بیشتر پردازنده‌های خانگی امروزی (۲.۵ تا ۴ گیگاهرتز) بسیار فراتر است.
«آلیسا آپسل»، مدیر دانشکده مهندسی برق و رایانه در دانشگاه کرنل و یکی از نویسندگان ارشد مقاله، گفت: «بال بسیاری از اصول طراحی مدار سنتی را کنار گذاشت. او به‌جای تقلید کامل از ساختار شبکه‌های عصبی دیجیتال، معماری‌ای طراحی کرد که بیشتر شبیه توده‌ای کنترل‌شده از رفتارهای فرکانسی است و در نهایت به محاسباتی با کارایی بالا منتهی می‌شود.»
گوویند در ادامه توضیح داد که در سامانه‌های دیجیتال متداول، برای حفظ دقت باید از مدارهای بیشتر، توان بالاتر و مکانیزم‌های پیچیده تصحیح خطا استفاده کرد. اما رویکرد احتمالاتی در تراشه مایکروویوی باعث شد پژوهشگران بتوانند هم در محاسبات ساده و هم پیچیده، دقت بالایی را حفظ کنند، بدون آنکه نیاز به مدار اضافه یا توان بیشتر باشد.
مصرف انرژی پایین این تراشه نیز قابل‌توجه است. تراشه‌ی جدید کمتر از ۲۰۰ میلی‌وات (۰.۲ وات) انرژی مصرف می‌کند؛ تقریباً معادل توان ارسال در یک گوشی موبایل. در مقایسه، بیشتر CPUهای معمولی حداقل ۶۵ وات توان نیاز دارند.
این سطح از بهره‌وری انرژی به‌گفته‌ی پژوهشگران، تراشه را برای استفاده در دستگاه‌های شخصی یا پوشیدنی مناسب می‌سازد. همچنین می‌تواند در رایانش لبه‌ای (Edge Computing) کاربرد داشته باشد، زیرا با پردازش محلی داده‌ها، نیاز به ارتباط مداوم با سرور مرکزی را از بین می‌برد و تأخیر را کاهش می‌دهد.
در حوزه هوش مصنوعی نیز این تراشه می‌تواند به‌عنوان جایگزینی کم‌مصرف برای آموزش مدل‌های AI مورد استفاده قرار گیرد.
گام بعدی تیم تحقیقاتی، کوچک‌تر و ساده‌تر کردن طراحی است؛ با کاهش تعداد موج‌برها و ایجاد ساختاری فشرده‌تر. در صورت موفقیت، نسخه آینده این تراشه می‌تواند از شانه‌های فرکانسی به‌هم‌پیوسته استفاده کند تا طیف خروجی غنی‌تری تولید کرده و به آموزش بهتر شبکه عصبی کمک کند.
منبع: livescience
۵۸۳۲۳
