A Johns Hopkins Egyetem Andreou Labjának mérnökei azon dolgoznak, hogy jobban megértsék az emberi agy működése mögött rejlő számítási folyamatokat, az azt korlátozó tényezőket és hogy megoldják a Moore-törvény utáni kor számítástechnikai kihívásait. Egyike a biológiai és a mesterséges (számítógépes) rendszerek összehasonlítására és ezáltal a természetes emberi agy működésének elemzésére alkalmas módszereknek a szilícium agyak építése, amelyek egészen kis léptékben ugyan, de a valódi agyat tudják utánozni, legalábbis ami a felépítésüket illeti.

A neuromorfikus chipek mesterséges neuronokat tartalmaznak, amelyeket mesterséges szinapszisok kötnek össze és ezek jelzései által közvetítik és dolgozzák fel az információkat.

A neuromorfikus chipek, azaz mesterséges vagy szilícium agyak előnye a tradicionális von Neumann architektúrájú eszközökkel szemben, hogy igen gazdaságosan üzemelnek a párhuzamos adatfeldolgozásnak és elrendezésüknek köszönhetően, ezek a újabb generációs lapkák ugyanis azonos helyen tárolják a memóriát és végzik a számításokat és ezzel a térbeli közelséggel csökkentik a feladatok kivitelezéséhez szükséges időt.

A neuromorfikus chipek egyik fajtája, a neurális hálók harmadik generációs változatát képviselő SNN (spiking neural networks) különösen ígéretesnek bizonyul az energiahatékonyság tekintetében és alacsony késleltetést tesz lehetővé. Ezeket a hálózatokat használják robotok üzemeltetésére is és a kutatók szerint a segítségükkel áthidalható az idegtudományok és a gépi tanulás közti távolság. Az SNN-ben a neuronok, a biológiai idegi hálózatokhoz hasonlóan, elektromos jelek révén, az idegsejtek tüzelése által kommunikálnak egymással. A spiking (tüskés) neurális hálózatok fejlesztésébe a potenciális előnyeik miatt sok cég kezdett bele, így a bonyolult tervezési munka leegyszerűsítése nagy lehetőségeket rejt.

Ennek érdekében teszteltek egy új tervezési módszert az Andreou Lab mérnökei, amihez a ChatGPT 4-et hívták segítségül. Az OpenAI chatbotja egy úgynevezett nagy nyelvi modellre (Large Language Model, LLM) épül, amelyet hatalmas mennyiségű adat betáplálásával tanítanak és ami képes az adatokat olyan szinten értelmezni, ami a már-már természetesnek, emberinek tűnő válaszadásra is képessé teszi. Az LLM-ek mélytanulási rendszerrel tanulnak, ami a gépi tanulás egy fajtája és a neurális hálók használatára alapoz. A neurális hálók csomópontjai rétegekbe rendeződnek és komplex összeköttetésben állnak egymással. A kapcsolatokat a csomópontok súlyozzák és beérkező jelek esetén a csak egy bizonyos küszöbérték felett tüzelnek, azaz küldenek információt a többi neuronnak. A neurális háló az emberi agy idegsejtjeit és szinapszisait utánozza.

Mivel a ChatGPT 4 az LLM betanítása során kapott információkat és internetes tartalmakat használ fel a működése során, ezért egy olyan bonyolult feladatot, mint amilyen egy neuromorfikus chip tervezése, nem biztos, hogy hibátlanul tud megoldani, de a mérnökök próbát tettek és félig-meddig sikerrel jártak:

a chatbot használható leírást adott a chip építéséhez.

Az első prompt, amit a ChatGPT 4-hez intéztek, így szólt: "Tudnál egy verilog modult írni egy szivárgó integrál-és-tüzel neuronhoz? Kérlek foglalj bele egy multibites bemenetet és egy refrakter periódust." A chatbot válaszára nem kellett sokat várni és máris küldte a kódot, ami a tesztről szóló tanulmány leírása szerint "lenyűgözőnek" tűnt, de közelebbről vizsgálva valójában tartalmazott hibákat is. A további utasításokkal ki tudták javítani a problémás részeket és megalkották a neuront, majd ebből egy egyszerű, két réteget és rétegenként három-három neuront tartalmazó hálót készítettek, ezután pedig létrehozták az SPI interfészt és más hozzávalókat is.

A ChatGPT 4 az első lépéseket még jól teljesítette, könnyen megértette például a neuron készítésének módját, de a későbbiekben már a mérnökök beavatkozására és tudására is szükség volt a feladat elvégezéséhez. A kész chipet ugyan a ChatGPT 4 tervei alapján alkották meg, de emberi segítség nélkül nem született volna meg a végeredmény. A mérnökök összegzése szerint a ChatGPT jelenlegi formája nem éri még el azt a szintet, ami a technológiát a jövőben ígéretes segítőtárssá teheti hasonló munkák során, mivel a válaszai gyakran magukban foglalnak valamilyen logikai hibát és sokszor figyelmen kívül hagyja (illetve nem ismeri) a fejlettebb, bonyolultabb koncepciókat. Emiatt egy laikus ember számára lehetetlen feladatot jelenthet a chatbot hibáinak javítása.

Ez viszont nem jelenti azt, hogy a mesterséges intelligencia és a nyelvi modellek alkalmazása ne lenne előnyös a tervezési munkák során. A mérnökök a szilícium agy készítése során bonyolult kódok nélkül tudták megépíteni a chipet a ChatGPT 4-gyel konzultálva és az eszköz a szimulációk alapján működőképesnek bizonyult, a fizikai verzióját pedig a Skywater Technologies segítségével életre is hívták. Az ehhez hasonló, csak komplexebb neuromorfikus chipek elsősorban a mesterséges intelligencia rendszerek működtetéséhez szükségesek, ezért a Johns Hopkins kísérlete is egy lépéssel közelebb hozta a jövőt, amikor a mesterséges intelligencia készíthet mesterséges intelligencia hardvereket, amelyek a mesterséges intelligencia fejlődését mozdítják elő.

(Fotó: BrianPenny/geralt/Pixabay)