Apa itu komputasi neuromorfik?
Komputasi neuromorfik, yang juga dikenal sebagai rekayasa neuromorfik, adalah pendekatan komputasi yang meniru cara kerja otak manusia. Hal ini memerlukan perancangan perangkat keras dan perangkat lunak yang mensimulasikan struktur dan fungsi saraf dan sinapsis otak untuk memproses informasi.
Komputasi neuromorfik mungkin tampak seperti bidang baru, tetapi asal-usulnya berasal dari tahun 1980-an. Ini adalah dekade ketika Misha Mahowald dan Carver Mead mengembangkan retina dan koklea silikon pertama serta neuron dan sinapsis silikon pertama yang memelopori paradigma komputasi neuromorfik.1
Saat ini, seiring berkembangnya sistem kecerdasan buatan (AI), mereka memerlukan perangkat keras dan perangkat lunak canggih di belakangnya. Komputasi neuromorfik dapat bertindak sebagai akselerator pertumbuhan AI, meningkatkan komputasi kinerja tinggi, dan berfungsi sebagai salah satu blok pembangun kecerdasan super buatan. Percobaan sedang dilakukan untuk menggabungkan komputasi neuromorfik dengan komputasi quantum.2
Komputasi neuromorfik telah disebut oleh perusahaan konsultan manajemen Gartner sebagai teknologi yang sedang naik daun untuk bisnis.3 Demikian pula, perusahaan layanan profesional PwC mencatat bahwa teknologi neuromorfik adalah teknologi penting bagi organisasi untuk dijelajahi karena berkembang dengan cepat tetapi belum cukup matang untuk menjadi arus utama.4
Berita + Insight AI terbaru
Temukan insight dan berita yang dikurasi oleh para pakar tentang AI, cloud, dan lainnya di Buletin Think mingguan.
Karena komputasi neuromorfik mengambil inspirasi dari otak manusia, ini banyak meminjam dari biologi dan ilmu saraf.
Menurut Queensland Brain Institute, neuron “adalah unit dasar otak dan sistem saraf”.5 Sebagai pembawa pesan, sel-sel saraf ini menyampaikan informasi antara berbagai area otak dan ke bagian tubuh lainnya. Ketika neuron menjadi aktif atau “melonjak”, hal ini memicu pelepasan sinyal kimia dan listrik yang berjalan melalui jaringan titik koneksi yang disebut sinapsis, yang memungkinkan neuron untuk berkomunikasi satu sama lain.6
Mekanisme neurologis dan biologis ini dimodelkan dalam sistem komputasi neuromorfik melalui spiking neural network (SNN). Spiking neural network adalah jenis neural network buatan yang terdiri dari neuron dan sinapsis yang melonjak.
Neuron yang melonjak menyimpan dan memproses data yang mirip dengan neuron biologis, dengan setiap neuron memiliki nilai muatan, penundaan, dan ambang batasnya sendiri. Sinapsis menciptakan jalur antara neuron dan juga memiliki nilai penundaan dan bobot yang terkait dengannya. Nilai-nilai ini, yaitu muatan neuron, penundaan neuron dan sinapsis, ambang batas neuron, dan bobot sinapsis, semuanya dapat diprogram dalam sistem komputasi neuromorfik.7
Dalam arsitektur neuromorfik, sinapsis direpresentasikan sebagai perangkat sinaptik berbasis transistor, yang menggunakan sirkuit untuk mentransmisikan sinyal listrik. Sinapsis biasanya mencakup komponen pembelajaran, mengubah nilai bobotnya dari waktu ke waktu sesuai dengan aktivitas dalam neural network spiking.7
Tidak seperti neural network konvensional, SNN memperhitungkan waktu ke dalam operasi. Nilai muatan neuron terakumulasi dari waktu ke waktu; dan ketika muatan itu mencapai nilai ambang batas terkait neuron, itu melonjak, menyebarkan informasi di sepanjang jaring sinaptiknya. Tetapi jika nilai muatan tidak melebihi ambang batas, itu menghilang dan akhirnya “bocor”. Selain itu, SNN digerakkan oleh peristiwa, dengan nilai penundaan neuron dan sinaptik yang memungkinkan penyebaran informasi yang asinkron.7
Selama beberapa dekade terakhir, banyak kemajuan dalam komputasi neuromorfik telah datang dalam bentuk perangkat keras neuromorfik.
Di dunia akademis, salah satu implementasi awal termasuk Neurogrid dari Universitas Stanford, yang sistem multichip analog-digital campurannya dapat “mensimulasikan sejuta neuron dengan miliaran koneksi sinapsis secara real time”.8 Sementara itu, pusat penelitian IMEC menciptakan chip neuromorfik yang memiliki kemampuan pembelajaran mandiri.9
Badan-badan pemerintah juga telah mendukung upaya penelitian neuromorfik. Human Brain Project Uni Eropa, misalnya, merupakan inisiatif 10 tahun yang berakhir pada tahun 2023 dan bertujuan untuk memahami otak dengan lebih baik, menemukan pengobatan baru untuk penyakit otak, dan mengembangkan teknologi komputasi baru yang terinspirasi oleh otak.
Teknologi ini mencakup mesin neuromorfik SpiNNaker dan BrainScaleS skala besar. SpiNNaker berjalan secara real time pada chip multi-inti digital, dengan jaringan berbasis paket untuk pengoptimalan pertukaran lonjakan. BrainScaleS adalah mesin akselerasi yang meniru model elektronik analog neuron dan sinapsis. Ini memiliki sistem chip skala wafer generasi pertama (disebut BrainScaleS-1) dan sistem chip tunggal generasi kedua (disebut BrainScaleS-2).10
Dalam industri teknologi, prosesor neuromorfik termasuk Loihi dari Intel, NeuronFlow dari GrAI Matter Labs, dan TrueNorth serta chip neuromorfik NorthPole generasi berikutnya dari IBM.
Sebagian besar perangkat neuromorfik terbuat dari silikon dan menggunakan teknologi CMOS (semikonduktor logam-oksida komplementer). Tetapi para peneliti juga mencari jenis bahan baru, seperti bahan feroelektrik dan perubahan fase. Elemen memori elektronik yang tidak mudah menguap yang disebut memristor (kombinasi “memori” dan “resistor”) adalah modul lain untuk mewujudkan kolokasi memori dan pemrosesan data dalam lonjakan neuron.
Di ranah perangkat lunak, pengembangan algoritma pelatihan dan pembelajaran untuk komputasi neuromorfik melibatkan teknik machine learning dan non-machine learning. Berikut adalah beberapa di antaranya:7
Untuk melakukan inferensi, deep neural networks yang telah dilatih sebelumnya dapat diubah menjadi spiking neural network menggunakan strategi pemetaan seperti menormalkan bobot atau fungsi aktivasi. Deep neural network juga dapat dilatih sedemikian rupa sehingga neuron-neuronnya diaktifkan seperti lonjakan neuron.
Algoritma yang terinspirasi dari biologi ini menggunakan prinsip-prinsip evolusi biologis, seperti mutasi, reproduksi, dan seleksi. Algoritma evolusioner dapat digunakan untuk merancang atau melatih SNN, mengubah dan mengoptimalkan parameternya (penundaan dan ambang batas, misalnya) dan struktur (jumlah neuron dan metode penghubung melalui sinapsis, misalnya) seiring berjalannya waktu.
Spiking neural networks cocok untuk representasi graf, dengan SNN yang berbentuk graf berarah. Ketika salah satu node dalam grafik mengalami lonjakan, waktu di mana node lain juga mengalami lonjakan bertepatan dengan berapa panjang jalur terpendek dari node asal.
Dalam ilmu saraf, neuroplastisitas mengacu pada kemampuan otak manusia dan sistem saraf untuk memodifikasi jalur saraf dan sinapsisnya sebagai respons terhadap cedera. Dalam arsitektur neuromorfik, plastisitas sinaptik biasanya diimplementasikan melalui plastisitas yang bergantung pada waktu lonjakan. Operasi ini menyesuaikan bobot sinapsis sesuai dengan waktu lonjakan relatif neuron.
Komputasi reservoir, yang didasarkan pada neural network berulang, menggunakan “reservoir” untuk mengirimkan input ke ruang komputasi dimensi yang lebih tinggi, dengan mekanisme pembacaan yang dilatih untuk membaca hasil reservoir.
Dalam komputasi neuromorfik, sinyal input diumpankan ke neural network, yang bertindak sebagai reservoir. SNN tidak terlatih; alih-alih, SNN mengandalkan koneksi berulang dalam jaringannya bersama dengan penundaan sinaptik untuk memetakan input ke ruang komputasi berdimensi lebih tinggi.
Sistem neuromorfik memiliki banyak janji komputasi. Berikut adalah beberapa manfaat potensial yang ditawarkan arsitektur komputasi ini:
Kemampuan beradaptasi
Sebagai teknologi yang terinspirasi oleh otak, komputasi neuromorfik juga melibatkan gagasan plastisitas. Perangkat neuromorfik dirancang untuk pembelajaran real-time, yang terus beradaptasi dengan rangsangan yang terus berkembang dalam bentuk input dan parameter. Ini berarti perangkat ini bisa unggul dalam memecahkan masalah baru.
Efisiensi energi
Seperti yang telah disebutkan sebelumnya, sistem neuromorfik berbasis peristiwa, dengan neuron dan sinapsis yang memproses sebagai respons terhadap lonjakan neuron lainnya. Akibatnya, hanya segmen yang mengomputasi lonjakan yang mengonsumsi daya sementara sisa jaringan tetap dalam status siaga. Hal ini menyebabkan konsumsi energi yang lebih efisien.
Kinerja tinggi
Sebagian besar komputer modern, yang juga dikenal sebagai komputer von Neumann, memiliki unit pemrosesan pusat dan unit memori yang terpisah dan transfer data di antara unit-unit ini dapat menyebabkan kemacetan yang berdampak pada kecepatan. Di sisi lain, sistem komputasi neuromorfik menyimpan dan memproses data di masing-masing neuron, menghasilkan latensi yang lebih rendah dan komputasi yang lebih cepat dibandingkan dengan arsitektur von Neumann.
Pemrosesan paralel
Karena sifat asinkron SNN, masing-masing neuron dapat melakukan operasi yang berbeda secara bersamaan. Jadi secara teoritis, perangkat neuromorfik dapat menjalankan tugas sebanyak neuron yang ada pada satu waktu. Dengan demikian, arsitektur neuromorfik memiliki kemampuan pemrosesan paralel yang sangat besar, memungkinkannya menyelesaikan fungsi dengan cepat.
Komputasi neuromorfik masih merupakan bidang yang sedang berkembang. Dan seperti teknologi apa pun pada tahap awal, sistem neuromorfik menghadapi beberapa tantangan:
Penurunan akurasi
Proses mengubah deep neural networks menjadi spiking neural networks dapat menyebabkan penurunan akurasi. Selain itu, memristor yang digunakan dalam perangkat keras neuromorfik mungkin memiliki variasi siklus dan perangkat yang dapat memengaruhi akurasi, serta batasan nilai bobot sinaptik yang dapat menurunkan presisi.7
Kurangnya tolok ukur dan standar
Sebagai teknologi yang masih baru, komputasi neuromorfik memiliki kekurangan dalam hal arsitektur, perangkat keras, dan perangkat lunak. Sistem neuromorfik juga tidak memiliki tolok ukur yang jelas dan ditetapkan, kumpulan data sampel, tugas pengujian dan metrik, sehingga menjadi sulit untuk mengevaluasi kinerja dan membuktikan efektivitas.
Aksesibilitas dan perangkat lunak terbatas
Sebagian besar pendekatan algoritmik untuk komputasi neuromorfik masih menggunakan perangkat lunak yang dirancang untuk perangkat keras von Neumann, yang dapat membatasi hasil pada apa yang dapat dicapai oleh arsitektur von Neumann. Sementara itu, API (antarmuka pemrograman aplikasi), model pengodean, dan bahasa pemrograman untuk sistem neuromorfik belum dikembangkan atau tersedia secara lebih luas.
Kurva belajar yang curam
Komputasi neuromorfik merupakan domain yang kompleks, yang diambil dari disiplin ilmu seperti biologi, ilmu komputer, teknik elektronik, matematika, ilmu saraf, dan fisika. Hal ini membuatnya sulit untuk dipahami di luar laboratorium akademisi yang berspesialisasi dalam penelitian neuromorfik.
Aplikasi dunia nyata saat ini untuk sistem neuromorfik masih jarang, tetapi paradigma komputasi mungkin dapat diterapkan dalam contoh-contoh penggunaan ini:
Karena kinerjanya yang tinggi dan peningkatan efisiensi energi yang sangat besar, komputasi neuromorfik dapat membantu meningkatkan kemampuan navigasi kendaraan otonom, memungkinkan koreksi arah yang lebih cepat dan peningkatan penghindaran tabrakan sekaligus menurunkan emisi energi.
Sistem neuromorfik dapat membantu deteksi pola atau aktivitas yang tidak biasa yang dapat menandakan serangan siber atau pelanggaran. Dan ancaman ini dapat digagalkan dengan cepat karena latensi rendah dan komputasi cepat perangkat neuromorfik.
Karakteristik arsitektur neuromorfik membuatnya cocok untuk edge AI. Konsumsi dayanya yang rendah dapat membantu dengan masa pakai baterai yang pendek dari perangkat seperti smartphone dan wearable, sementara kemampuan beradaptasi dan sifat yang digerakkan oleh peristiwa sesuai dengan metode pemrosesan informasi sensor jarak jauh, drone, dan perangkat Internet of Things (IoT) lainnya.
Karena kemampuan pemrosesan paralel yang luas, komputasi neuromorfik dapat digunakan dalam aplikasi machine learning untuk mengenali pola dalam ucapan dan bahasa alami, menganalisis gambar medis dan memproses sinyal pencitraan dari pemindaian otak fMRI dan tes electroencephalogram (EEG) yang mengukur aktivitas listrik di otak.
Sebagai teknologi yang dapat beradaptasi, komputasi neuromorfik dapat digunakan untuk meningkatkan kemampuan belajar dan pengambilan keputusan robot secara real-time, membantunya mengenali objek dengan lebih baik, menavigasi tata letak pabrik yang rumit, dan beroperasi lebih cepat dalam jalur perakitan.
Latih, validasi, lakukan tuning, dan terapkan AI generatif, model dasar, dan kemampuan machine learning dengan IBM watsonx.ai, studio perusahaan generasi berikutnya untuk pembangun AI. Bangun aplikasi AI dalam waktu singkat, dengan sedikit data.
Gunakan AI di bisnis Anda dalam perpaduan antara keahlian AI terdepan di industri dari IBM dan portofolio solusi Anda.
Temukan kembali alur kerja dan operasi yang penting dengan menambahkan AI untuk memaksimalkan pengalaman, pengambilan keputusan secara real-time, dan nilai bisnis.
Sumber daya
Catatan kaki
1 Carver Mead Earns Lifetime Contribution Award for Neuromorphic Engineering, Caltech, 7 Mei 2024.
2 Neuromorphic Quantum Computing, Quromorphic, Diakses 21 Juni 2024.
3 30 Emerging Technologies That Will Guide Your Business Decisions, Gartner, 12 Februari 2024.
4 The new Essential Eight technologies: what you need to know, PwC, 15 November 2023.
5 What is a neuron?, Queensland Brain Institute, Diakses 21 Juni 2024.
6 Action potentials and synapses, Queensland Brain Institute, Diakses 21 Juni 2024.
7 Opportunities for neuromorphic computing algorithms and applications, Nature, 31 Januari 2022.
8 Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations, IEEE, 24 April 2014.
9 IMEC demonstrates self-learning neuromorphic chip that composes music, IMEC, 16 Mei 2017.
10 Neuromorphic computing, Human Brain Project, Diakses 21 Juni 2024.