BAGIKAN
Ilustrasi yang menunjukkan prosesor pembelajaran mendalam analog. (Ella Maru Studio/Murat Onen)

Dengan menyusun ulang rangkaian resistor yang dapat diprogram, para peneliti MIT dapat membuat jaringan “neuron” dan “sinapsis” analog buatan seperti jaringan saraf digital. Jaringan ini kemudian dapat dilatih untuk mencapai tugas AI yang kompleks seperti pengenalan gambar dan pemrosesan bahasa alami.

Resistor tersebut adalah blok bangunan utama dalam deep learning analog, sama halnya seperti transistor yang merupakan elemen inti untuk sebuah prosesor.

Dalam pembuatan resistor ini, para peneliti menggunakan phosphosilicate glass (PSG). Suatu bahan anorganik yang dipilih secara khusus dan efisien. Hasilnya, perangkat terbaru ini dapat memproses informasi sekitar satu juta kali lebih cepat daripada sinapsis otak yang menghubungkan neuron secara bersamaan.

Selain itu, bahan anorganik ini juga membuat resistor sangat hemat energi. Tidak seperti bahan yang digunakan dalam versi perangkat mereka sebelumnya, bahan baru ini kompatibel dengan teknik fabrikasi silikon. Perubahan ini telah memungkinkan fabrikasi perangkat pada skala nanometer dan dapat membuka jalan untuk integrasi ke perangkat keras komputasi komersial untuk aplikasi pembelajaran mendalam.

“Begitu Anda memiliki prosesor analog, Anda tidak akan lagi melatih jaringan yang dikerjakan orang lain,” kata ilmuwan komputer Murat Onen dari Massachusetts Institute of Technology (MIT).

“Anda akan melatih jaringan dengan kompleksitas yang belum pernah terjadi sebelumnya yang tidak dapat dilakukan orang lain, dan karena itu jauh mengungguli mereka semua. Dengan kata lain, ini bukan mobil yang lebih cepat, ini adalah pesawat ruang angkasa.”

PSG, digunakan sebagai elektrolit padat dalam resistor. Di mana dengan pori-porinya yang sangat kecil pada skala nano, memungkinkan proton melewatinya dengan kecepatan yang belum pernah terlihat sebelumnya.

“Kecepatannya tentu mengejutkan. Biasanya, kami tidak akan menerapkan bidang ekstrem seperti itu di seluruh perangkat, agar tidak mengubahnya menjadi abu,” kata Onen dalam sebbuah pernyataan.

“Namun sebaliknya, proton berakhir dengan kecepatan luar biasa di seluruh tumpukan perangkat, khususnya satu juta kali lebih cepat dibandingkan dengan yang kita miliki sebelumnya. Dan gerakan ini tidak merusak apa pun, berkat ukurannya yang kecil dan massa proton yang rendah. Ini hampir seperti teleportasi,” katanya.

Pada otak, sinapsis adalah titik temu antara terminal akson salah satu neuron dengan neuron lainnya. Proses pembelajaran terjadi karena penguatan dan melemahnya koneksi antar neuron tersebut. Jaringan saraf dalam telah lama mengadopsi strategi ini, di mana bobot jaringan diprogram melalui algoritma pelatihan. Dalam kasus prosesor baru ini, peningkatan dan penurunan konduktansi listrik resistor proton memungkinkan pembelajaran mesin analog.

Karena proton tidak merusak material, resistor dapat bekerja selama jutaan siklus tanpa rusak. Elektrolit baru ini memungkinkan resistor proton yang dapat diprogram satu juta kali lebih cepat dari perangkat mereka sebelumnya dan dapat beroperasi secara efektif pada suhu kamar, yang penting untuk memasukkannya ke dalam perangkat keras komputasi.

“Karya ini menunjukkan terobosan signifikan dalam perangkat memori resistif yang terinspirasi secara biologi,” kata Elizabeth Dickey, Profesor Terhormat Teddy & Wilton Hawkins dan kepala Departemen Material Sains dan Teknik di Universitas Carnegie Mellon, yang tidak terlibat dalam pekerjaan ini.

“Perangkat proton semua-padat ini didasarkan pada kontrol proton skala atom yang sangat baik, mirip dengan sinapsis biologis tetapi pada tingkat yang lebih cepat,”

Penelitian ini telah dipublikasikan di jurnal Science.