تراشه جدید با یک میلیون نورون

براساس گزارش BBC، دانشمندان اين تراشه جديد را ابررايانه‌اي به اندازه يك تمبر پستي مي‌نامند. هر نورون روي اين تراشه به 256 نورون ديگر متصل است، و اين واحد‌هاي محاسباتي در كنار يكديگر مي‌توانند با صرف كمترين انرژي جزئيات كليدي تصويري را در زمان حقيقي جداسازي كنند.

اين طراحي نتيجه همكاري طولاني‌مدت بوده‌ كه IBM هدايت آن را به عهده داشته‌است. به گفته محققان، برآورد كلي محاسبات اين تراشه برابر بيش از 200 سال فعاليت يك فرد است، پردازشگري كه به گفته محققان ماشيني جديد براي قلمروي جديد است،‌اما تجاري‌سازي آن به زمان نياز دارد.

اين تراشه كه ترونورث ناميده مي‌شود، هنوز نيازمند برنامه‌اي است كه بتواند از عملكرد آن پشتيباني كند زيرا عملكرد آن با تراشه‌هاي سنتي كه هنوز در رايانه‌هاي مدرن كاربردي هستند، متفاوت است. در پردازشگرهاي سنتي، پردازشگر و حافظه از يكديگر مجزا هستند، اما در مدل به‌هم‌پيوسته ترونورث، پردازش داده‌ها در زماني مشابه تراشه‌هاي سنتي از كارايي بيشتري برخوردارند.

در اين تراشه به‌جاي صفر و يك‌هاي دوتايي،‌ واحد‌هاي محاسباتي را اسپايك‌ها يا جهش‌ها با برجستگي‌هايي تشكيل مي‌دهند. زماني كه ورودي اين تراشه فعال مي‌شود، يكي از نورون‌هاي آن جهشي ايجاد كرده و آن را در سرتاسر تراشه و روي ديگر نورون‌ها ارسال مي‌كند. از اين رو اين سيستم نيازمند نرم‌افزاري كاملا جديد خواهد بود.

زيربناي ترونورث  هسته‌هاي نوروسيناپسي متشكل از 265 نورون هستند كه IBM در سال 2011 از آنها رونمايي كرد. محققان براي ساخت اين تراشه شبكه‌اي 64 در 64 تايي از اين هسته‌ها را ايجاد كردند. به دليل اينكه هر نورون در اين تراشه به 256 نورون ديگر متصل است،‌ در اين تراشه بيش از 256 ميليون اتصال يا سيناپس وجود دارد.

چنين پيچيدگي براي محصولي كه دست‌ساز بشر است و ابعاد آن تنها سه سانتيمتر است، اما هنوز در مقايسه با عضو محاسباتي بدن انسان بسيار ناچيز و ناتوان به‌شمار مي‌رود. با اين‌همه مي‌توان با اتصال دادن چندين تراشه ترونورث به يكديگر، مي‌توان قدرت محاسباتي آن را تا بي‌نهايت افزايش داد.

محققان براي نمايش توانايي‌هاي اين تراشه آن را به گونه‌اي برنامه‌ريزي كردند كه بتوان از آن براي درك بصري المان‌هاي تصويري فيلمي كه از برج دانشگاه استنفورد گرفته شده‌بود، در زمان حقيقي استفاده كرد. اين تراشه توانست با موفقيت بسته‌هاي پيكسلي را به عناصر مختلفي مانند عابران پياده، دوچرخه‌سواران، خودروها،‌اتوبوس‌ها و كاميون‌ها نسبت دهد.