A szilíciumon és más félvezető anyagokon alapuló számítógépes chipek fejlődésével a komputerek mérete drasztikusan csökkent, és az iparág lassan a chipek miniatürizálásának határához, egyben a Moore-törvény (leegyszerűsítve: az integrált áramkörök összetettsége kb. másfél évente megduplázódik) végéhez közeledik. Közben a robotokkal, dolgok internetével (Internet-of-Things, IoT) és valamilyen szintű intelligenciával rendelkező más gépek sokaságával, gyors szaporodásukkal a számítási igények drasztikusan nőnek.
Ezekre a trendekre reagálva, számítástudományi szakemberek újfajta számítógép-architektúrákkal próbálkoznak, egyikük az egyébként nem is annyira új, úgynevezett neuromorfikus komputer (már az 1980-as évek végén foglalkoztak vele). A terület mostani népszerűvé válásának egyik oka, hogy mesterségesintelligencia-rendszerekhez ideális hardver.
Az emberi agy
Az infokommunikációs technológiák oly sok területéhez hasonlóan, ezúttal is a természet, most az emberi agy, agyunk szinaptikus plaszticitása, mindenféle új információhoz való alkalmazkodóképessége a minta. A neuronok vagy idegsejtek az agy szinapszisokon keresztül egymáshoz kapcsolódó üzenetvivő sejtjei. A szinapszisok az őket kiterjedt hálózatban összekötő csomópontok, elektromos impulzusokat és vegyi jelzéseket közvetítenek. Ezredmásodpercekig tartó, a szakirodalomban „tüskéknek” (spikes) nevezett feszültségimpulzusok közreműködésével folytatnak interakciókat egymással. Míg a számítógépes memória több memóriaegység hozzáadásával bővíthető, addig az agyban neuronok közötti új és megerősített kapcsolatokkal jönnek létre az emlékek. Ha két neuron kapcsolata megerősödik, az őket összekapcsoló szinapszis súlya nő. A kapcsolatok és a kommunikáció a változó frekvenciájú és intenzitású stimulációk (a tüskék) hatására módosulnak. Ez a változás fontos szerepet játszik a tanulásban és az emlékezésben.
A folyamatok annyira bonyolultak és összetettek, hogy számítógépes közegbe másolásuk magasszintű kreativitást igénylő, nehéz feladat.
A durván leegyszerűsített agymásolat
A jelenlegi számítógépeket az adatfeldolgozó- és a memóriaegységeket elkülönítő Neumann-architektúra jellemzi. Az elkülönítés a sebességben szűk keresztmetszethez vezet, mert az adatokat, az áramfogyasztást is növelve, egyikről a másikra kell átvinni. A fogyasztás a big datával egyre égetőbb problémává vált, évről évre nő, az adatközpontok által elhasznált elektromos áram 2030-ra a földkerekség fogyasztásának akár nyolc százalékát elérheti.
A neuromorfikus számítógépek architektúrájában a feldolgozás és a memória egy egységben keveredik. Mint az emberi agyban, ahol szintén a memóriában történik az információfeldolgozás. Hardverszinten ez új innovatív tervekkel, akár szerves, akár szervetlen anyagokkal és alkatrészekkel jár. Kutatók az agy plaszticitását utánzó mesterséges neuronok és szinapszisok hálózataival próbálják – leegyszerűsítve – utánozni. Ilyen gépek az IBM TrueNorthja és BrainScales-2-je, az Intel Loihije stb. Mindegyik a jól bevált fémoxidos félvezető technológián alapuló, a chipen belül elektromosáram-kapcsolóként működő tranzisztorokat használ.
Agyunk elektromos jelei azonban nemcsak nullákból és egyekből állnak, a szinapszisok közötti kapcsolatoknak változatos súlya (ereje) lehet. Neuromorfikus számítógépekben többféle eszközzel próbálják utánozni, és ezek a gépek természetesen nemcsak tranzisztorokból, hanem mindenfajta alkatrészekből is állnak. A gépek általában mesterséges ideghálókkal – több fajtájukkal – végeznek számítási feladatokat. Egyik legérdekesebb a „tüskéző” neurális háló (SNN); neuronjai feszültségimpulzusokkal kommunikálnak egymással, a modellekbe az időt is beépítik. Mivel az idegsejtek csak akkor továbbítják az információt, ha az impulzusok elérnek egy küszöbértéket, a velük működő rendszerek kevesebb energiát használnak el.
Mielőtt működésbe lépne, a hálózatnak azonban tanulnia kell. Adatokon gyakorol, de a módszer a feladattól függően változik, például SNN-eket nehéz trenírozni.
A neuromorfikus eszközök nem fogják feltétlenül helyettesíteni a hagyományos hardvert, hanem (legalábbis egyelőre) inkább kiegészítik. Főként olyan területeken számíthatunk alkalmazásokra, ahol az agy jobban teljesít a klasszikus komputernél: hang- és képfelismerésben, agy-számítógép interfészekben, érzékelésben, robotikában, az egészségügyben és természetesen a mesterséges intelligencia eredményes implementálásában.
A következő generáció
Az amerikai Los Alamosi Nemzeti Laboratóriumban következőgenerációs neuromorfikus számítógépek mesterséges szinapszisaihoz használható interfész-szerű memrisztor eszközt fejlesztettek. A memóriára és az elektromos ellenállásra utaló szóösszevonás passzív elektromos elem, ellenállása nem állandó, múltbeli állapotától függ. A jelenlegi rezisztortechnológiákkal ellentétben, programozási és memóriaképességekkel egyaránt rendelkezik. Az a tulajdonsága, hogy emlékszik, milyen elektromos állapotban volt amikor kikapcsolták, az emberi agyra jellemző.
Az eddigi memrisztir-tervekben (az elsőt 2007-ben állították elő) túlmelegedésre hajlamos, tehát nem elég stabil és megbízható izzószálas rendszerek is szerepeltek. Az interfész-szerű változat más megközelítés, megbízható, a teljesítmény is jó, aranyon és más félvezető anyagokon alapul, és az izzószálassal szemben, nanométer-szintig méretezhető (az emberi haj százezer nanométer vastagságú.) Tranzisztoros neuromorfikus chipekkel összehasonlítva pedig a – párhuzamos – rendszer szignifikáns mértékben kevesebb energiát fogyaszt adatfeldolgozásnál, tanulásról, felismerő feladatokról és a valósidejű döntéshozásról nem is beszélve. Ismét a „húsz watton futó” emberi agy a minta.
Mesterséges neurálisháló-szimulációban tesztelték, egységesnek, jól programozhatónak és megbízhatónak bizonyult, felismerő feladatban 94,7 százalék pontosságot ért el. A fejlesztők az eredményekre alapozva, a következőgenerációs neuromorfikus számítások alapvető hardverdarabját látják benne.
Hagyományos komputerekkel összevetve, ezek a gépek sokkal több olyan feladatot meg tudnak oldani, amelyekre csak az ember képes. Persze csak akkor, ha a fejlődés íve töretlen marad.
