Perkomputeran Neuro: Teknologi Komputer Berinspirasikan Otak Manusia untuk Kelestarian Aplikasi Kecerdasan Buatan (AI) Masa Depan

Penulis: Dr. Mohd Zulhakimi Ab. Razak
Felo Penyelidik
Institut Kejuruteraan Mikro & Nanoelektronik (IMEN), UKM

Perkembangan teknologi kecerdasan buatan (Artificial Intelligence, AI) dalam beberapa dekad kebelakangan ini telah mengubah cara manusia bekerja, berkomunikasi dan membuat keputusan. Sistem AI moden kini mampu menganalisis data yang besar, mengenal pasti corak dan membantu menyelesaikan pelbagai masalah kompleks. Namun, di sebalik kemajuan pesat ini, sistem AI yang masih bergantung kepada perkomputeran tradisional berasaskan teknologi CMOS sejak sekian lama mula menunjukkan beberapa kekangan asas. Antaranya ialah cabaran had-had fizik seperti pengecilan transistor yang semakin menghampiri skala atom, penggunaan tenaga yang tinggi akibat keperluan pusat pemprosesan yang besar, serta masalah haba yang sukar dikawal apabila prestasi sistem terus dipertingkatkan. Tambahan pula, rekabentuk komputer konvensional yang memisahkan unit pemprosesan dan unit memori yang dikenali sebagai kesesakan von Neumann atau von Neumann bottleneck menyebabkan pemindahan data menjadi perlahan dan tidak cekap.

Dalam usaha mengatasi batasan ini, perkomputeran kuantum muncul sebagai satu pendekatan terkehadapan yang berpotensi untuk menyelesaikan masalah kompleks dengan lebih pantas berbanding komputer klasik. Namun begitu, teknologi ini masih berada pada tahap pembangunan awal dan berdepan cabaran besar seperti keperluan suhu kriogenik iaitu suhu operasi jauh dibawah takat beku pada -273 darjah Celsius atau 0 Kelvin untuk operasi yang optimum, kestabilan qubit, serta kos infrastruktur yang sangat tinggi. Ini menjadikan pelaksanaannya dalam kehidupan seharian masih jauh untuk direalisasikan secara meluas. Sehubungan itu, perhatian turut beralih kepada satu lagi pendekatan yang lebih praktikal dan berinspirasikan ciri semula jadi, iaitu perkomputeran neuro atau juga dikenali sebagai Neuromorphic Computing, iaitu teknologi komputer yang direka bentuk dengan meniru cara otak manusia berfungsi.

Secara ringkasnya, perkomputeran neuro merujuk kepada sistem pengkomputeran yang dibina berdasarkan struktur dan prinsip operasi sistem saraf biologi. Dalam otak manusia, maklumat diproses melalui rangkaian neuron yang saling berhubung melalui sinaps. Neuron-neuron ini berkomunikasi menggunakan isyarat elektrik yang dipanggil isyarat (spikes). Sistem ini sangat cekap kerana mampu memproses maklumat secara selari dan menggunakan tenaga yang amat rendah. Konsep perkomputeran neuro cuba meniru mekanisme ini dengan membangunkan litar elektronik dan cip komputer yang berfungsi seperti neuron dan sinaps seperti lakaran dalam Rajah 1 dibawah. Dengan pendekatan ini, komputer boleh memproses maklumat dengan lebih cekap, pantas dan adaptif, seakan- akan cara otak manusia berfikir dan belajar seperti pengecaman corak dan pembelajaran dengan penggunaan tenaga yang sangat rendah berbanding komputer moden.

Oleh itu, perkomputeran neuro dilihat sebagai satu alternatif yang sangat berpotensi, bukan untuk menggantikan sepenuhnya perkomputeran kuantum, tetapi sebagai pelengkap yang lebih hampir kepada aplikasi dunia sebenar dalam jangka masa terdekat. Pendekatan ini membuka ruang kepada pembangunan sistem pintar yang lebih efisien, responsif, dan sesuai untuk pelbagai kegunaan harian, daripada peranti mudah alih hinggalah kepada sistem autonomi masa depan.

Sejarah awal perkomputeran neuro bermula pada tahun 1980-an apabila seorang jurutera elektrik terkenal, Carver Mead, memperkenalkan konsep yang dikenali sebagai kejuruteraan neuro. Beliau merupakan profesor di California Institute of Technology yang banyak menyumbang kepada bidang mikroelektronik dan reka bentuk litar VLSI. Mead mencadangkan bahawa litar elektronik, khususnya teknologi CMOS, boleh direka bentuk untuk meniru tingkah laku neuron biologi. Idea ini diterangkan dengan lebih terperinci dalam buku beliau yang berjudul Analog VLSI and Neural Systems [2], yang diterbitkan pada tahun 1989. Buku tersebut menjadi asas kepada perkembangan penyelidikan dalam bidang kajian bersifat neuro atau neuromorfik.

Pada peringkat awal, penyelidikan kejuruteraan neuro hanya tertumpu kepada pembangunan model neuron tiruan dan sensor yang meniru sistem deria manusia. Sebagai contoh, penyelidik telah membangunkan retina mata berasakan silikon yang meniru cara mata manusia mengesan cahaya dan pergerakan. Seiring dengan kemajuan teknologi mikroelektronik dan pembuatan cip, penyelidikan ini berkembang kepada pembangunan cip neuron berskala besar. Dalam dekad kebelakangan ini, syarikat teknologi telah berjaya menghasilkan prototaip cip berkonsepkan neuromorfik seperti IBM TrueNorth dan Intel Loihi, yang mampu meniru rangkaian neuron dalam jumlah yang sangat besar. Cip-cip ini direka untuk menjalankan rangkaian saraf jenis khas yang dikenali sebagai rangkaian pancang neuron atau spiking neural networks (SNN), iaitu model rangkaian saraf yang lebih hampir kepada sistem saraf biologi, seperti ilistrasi dalam Rajah 2 dibawah. Sunggguhpun begitu, cip-cip ini masih belum dipasarkan dan masih lagi dalam proses kajian lanjutan.

Prinsip asas operasi perkomputeran neuro berbeza dengan komputer konvensional. Dalam komputer konvensional, unit pemproses dan unit memori berada di lokasi yang berasingan. Data perlu dipindahkan secara berulang-alik antara pemproses dan memori untuk diproses. Proses ini bukan sahaja memakan masa, tetapi juga menggunakan tenaga yang tinggi. Sebaliknya, dalam sistem neuro, pemprosesan dan penyimpanan maklumat berlaku secara serentak dalam rangkaian neuron tiruan. Setiap neuron bertindak sebagai unit pemprosesan kecil yang berhubung dengan neuron lain melalui sinaps elektronik. Apabila neuron menerima rangsangan yang mencukupi, ia akan menghasilkan isyarat elektrik berbentuk pancang yang dihantar kepada neuron lain. Sistem ini bersifat pacuan- peristive atau ‘event-driven’, iaitu ia hanya aktif apabila terdapat perubahan atau rangsangan tertentu. Pendekatan ini menjadikan sistem neuromorfik jauh lebih cekap dari segi penggunaan tenaga.

Selain itu, sistem neuromorfik juga menggunakan konsep pembelajaran yang meniru proses pembelajaran dalam otak manusia. Salah satu mekanisme penting ialah keplastikan bergantung pancang-masa atau spike-timing dependent plasticity (STDP), iaitu proses di mana kekuatan sambungan antara neuron berubah bergantung kepada masa isyarat pancang yang dihantar dan diterima. Mekanisme ini membolehkan sistem belajar daripada pengalaman dan menyesuaikan diri dengan keadaan persekitaran secara dinamik. Dengan kata lain, sistem neuromorfik bukan sahaja memproses maklumat, tetapi juga boleh belajar dan menyesuaikan diri secara berterusan seiring dengan dinamik yang diilhamkan otak manusia, seumpama refleksi badan manusia kepada kejutan persekitaran.

Salah satu kelebihan utama perkomputeran neuro ialah kecekapan tenaga yang sangat tinggi. Otak manusia hanya menggunakan kira-kira 20 watt tenaga, namun mampu menjalankan fungsi yang sangat kompleks seperti penglihatan, pertuturan, pemikiran dan pembelajaran. Sebaliknya, sistem komputer moden yang menjalankan model AI berskala besar memerlukan pusat data yang menggunakan tenaga dalam jumlah yang sangat besar. Dengan meniru prinsip operasi otak, sistem neuromorfik berpotensi mengurangkan penggunaan tenaga dengan ketara. Hal ini sangat penting dalam dunia yang semakin bergantung kepada teknologi digital dan AI.

Selain itu, perkomputeran neuro juga menawarkan kelebihan dari segi pemprosesan selari. Dalam otak manusia, berjuta-juta neuron boleh beroperasi secara serentak untuk memproses maklumat. Sistem neuromorfik meniru konsep ini dengan membolehkan banyak neuron tiruan beroperasi secara selari. Keupayaan ini sangat sesuai untuk aplikasi yang memerlukan pemprosesan data secara masa nyata, seperti pengenalan imej, pengesanan objek, dan sistem robotik. Di samping itu, sistem ini juga mempunyai kelebihan dari segi latensi iaitu masa kelewatan antara sesuatu isyarat mula dihantar di terima, kerana maklumat boleh diproses terus dalam rangkaian neuron tanpa perlu dipindahkan ke pemproses pusat.

Perkomputeran neuro juga sangat penting untuk pembangunan AI generasi seterusnya. Sistem AI moden yang digunakan dalam aplikasi seperti pengecaman wajah, penterjemahan bahasa dan analisis data besar biasanya memerlukan kuasa pemprosesan yang sangat tinggi. Dengan menggunakan seni bina neuromorfik, sistem AI boleh dijalankan dengan lebih cekap dan pantas, terutamanya pada peranti kecil atau peranti mudah alih. Pendekatan ini juga membuka peluang kepada pembangunan AI persisiran atau Edge AI, iaitu AI yang boleh beroperasi secara terus pada peranti tanpa perlu bergantung kepada pelayan awan (cloud).

Dalam konteks aplikasi AI, perkomputeran neuro mempunyai potensi besar dalam pelbagai bidang. Dalam bidang robotik, sistem neuromorfik boleh membantu robot memproses maklumat pengesan (sensor) dengan lebih pantas dan bertindak balas terhadap perubahan persekitaran secara masa nyata. Dalam bidang kenderaan autonomi, teknologi ini boleh membantu sistem penglihatan komputer mengenal pasti objek dan membuat keputusan dengan lebih cepat dan cekap. Selain itu, perkomputeran neuro juga berpotensi digunakan dalam bidang perubatan, terutamanya dalam pembangunan antara muka otak-komputer (brain-computer interface) yang boleh membantu pesakit yang mengalami kecederaan saraf atau lumpuh.

Secara keseluruhannya, perkomputeran neuro merupakan salah satu bidang teknologi yang sangat penting dalam perkembangan masa depan AI dan sistem pengkomputeran. Dengan meniru cara otak manusia berfungsi, teknologi ini berpotensi menghasilkan sistem komputer yang lebih cekap tenaga, pantas dan adaptif. Walaupun bidang ini masih berada dalam peringkat penyelidikan dan pembangunan, kemajuan dalam teknologi mikroelektronik, reka bentuk cip dan algoritma pembelajaran telah membuka peluang besar untuk aplikasi praktikal pada masa hadapan. Dengan sokongan penyelidikan yang berterusan, perkomputeran neuro dijangka memainkan peranan penting dalam membentuk generasi baharu teknologi AI yang lebih pintar dan cekap.

Kredit foto utama-mediumdotcom

Rujukan:

[1] Ahmed, Tanvir. “Bio-inspired artificial synapses: Neuromorphic computing chip engineering with soft ” Memories-Materials, Devices, Circuits and Systems 6 (2023): 100088.

[2] Mead, Carver, Analog VLSI implementation of neural systems. Addison-Wesley,

[3] Subbulakshmi Radhakrishnan, Shiva, Amritanand Sebastian, Aaryan Oberoi, Sarbashis Das, and Saptarshi Das. “A biomimetic neural encoder for spiking neural network.” Nature communications 12, no. 1 (2021): 2143. 

Bodata penulis

Dr. Mohd Zulhakimi Ab. Razak menerima Ijazah Sarjana Muda dengan Kepujian dalam bidang Kejuruteraan Elektronik & Elektrik dari University of Strathclyde, UK, Ijazah Sarjana dalam Elektronik dan Teknologi Maklumat dari University of Applied Science Rosenheim, Jerman, dan Ijazah Kedoktoran dalam bidang rekabentuk litar bersepadu (IC/VLSI) dari University of Edinburgh, UK. Bidang pengkhususan beliau ialah Sistem Mikroelektronik dan Reka Bentuk IC/VLSI. Minat penyelidikannya dalam bidang sains dan kejuruteraan termasuklah sistem mikroelektronik, reka bentuk IC/VLSI isyarat campuran, integrasi sistem, optoelektronik, litar internet-of-things (IoT), pengesan, pengkomputeran berevolusi dan pelaksanaan algoritma-ke-perkakasan untuk pelbagai aplikasi pemprosesan isyarat dan komunikasi tanpa wayar.