Neuron Buatan Perubahan Fase IBM Meniru Spike Otak untuk Komputasi Hemat Energi
Penelitian Manuel Le Gallo akan menginspirasi generasi baru sistem komputasi neuromorfik yang sangat padat. (Sumber: IBM Research – Zurich)
Mengambil inspirasi dari komunikasi berbasis spike otak manusia, IBM Research di Zurich telah merancang neuron buatan yang meniru perilaku “integrate-and-fire” yang terlihat ketika kita menyentuh piring panas. Perangkat ini dapat mendeteksi pola dan mengungkap korelasi dalam kumpulan data besar sambil mengkonsumsi daya dan menempati ruang yang dapat dibandingkan dengan jaringan biologis—pencapaian yang telah menghambat ilmuwan selama dekade.
Terobosan ini dijelaskan dalam makalah “Stochastic phase-change neurons,” yang menghiasi sampul Nature Nanotechnology hari ini. Pekerjaan ini menunjukkan bagaimana elemen memori perubahan fase dapat dikonfigurasi untuk bertindak sebagai neuron ultra-padat dan rendah energi yang mampu belajar tanpa pengawasan dengan kecepatan tinggi.
Saya berbicara dengan co-penulis dan ilmuwan IBM Research – Zurich Manuel Le Gallo, yang sedang menyelesaikan PhD-nya di ETH Zurich.
Bagaimana cara kerja neuron buatan?
Manuel Le Gallo: Neuron buatan menerapkan sirkuit “integrate-and-fire”. Ia mengakumulasi sinyal masuk; ketika potensi yang dijumlahkan mencapai ambang, ia memancarkan spike. Akumulasi sederhana ini dapat merealisasikan komputasi yang cukup kompleks.
Apa yang menginspirasi desain?
ML: Tujuannya adalah untuk mencerminkan daya komputasi neuron biologis. Sementara neuron buatan tradisional mengandalkan transistor CMOS, pendekatan kami menggunakan perangkat perubahan fase untuk mencapai fungsionalitas yang sama dengan daya yang jauh lebih rendah dan kepadatan lebih tinggi.
Apa peran Anda?
ML: Penelitian saya tentang fisika perubahan fase selama tiga tahun terakhir memberitahukan desain neuron ini dan memungkinkan kami untuk menafsirkan data eksperimental yang disajikan dalam makalah.
“Kami yakin pendekatan kami akan lebih efisien, terutama untuk memproses jumlah data yang besar.”
—Manuel Le Gallo, ilmuwan penelitian IBM
Di mana neuron buatan dapat diterapkan?
Kotak kecil adalah kontak yang digunakan untuk mengakses sel perubahan fase skala nanometer (tidak terlihat). Probe tajam menyentuh kontak untuk mengubah konfigurasi fase sebagai respons terhadap input neuron. Setiap set probe mengakses populasi 100 sel.
ML: Eksperimen kami menunjukkan bahwa satu neuron dengan sinaps plastik berganda dapat mendeteksi korelasi temporal di aliran peristiwa biner yang banyak—seperti media sosial, cuaca, atau data sensor IoT—dengan memancarkan spike saat peristiwa selaras.
Mengapa komputasi neuromorfik lebih efisien?
ML: Arsitektur konvensional memisahkan memori dan logika, memaksa perpindahan data yang mahal. Dalam sistem neuromorfik, komputasi dan penyimpanan coexist, menghilangkan transfer memori-ke-logika dan secara dramatis mengurangi konsumsi energi, terutama untuk kumpulan data masif.
Manuel Le Gallo mendapatkan Master dalam Teknik Elektro di ETH Zurich dan menyelesaikan tesis-nya di IBM. Ia kini menuntut PhD.
Tentang penulis: Millian Gehrer adalah magang musim panas di IBM Research – Zurich, mewawancarai ilmuwan untuk mempelajari pekerjaan mereka. Pada musim gugur, ia akan mulai belajar Ilmu Komputer di Princeton University.
