Επιστήμονες στις ΗΠΑ ανέπτυξαν έναν εντελώς νέο τύπο τσιπ που αντικαθιστά τα παραδοσιακά ψηφιακά κυκλώματα με μικροκύματα, προσφέροντας ταχύτητες που ξεπερνούν τους συμβατικούς επεξεργαστές. Το νέο αυτό σύστημα, το πρώτο πλήρως λειτουργικό μικροκυματικό νευρωνικό δίκτυο (Microwave Neural Network – MNN) που ενσωματώνεται σε ένα μόνο τσιπ, παρουσιάστηκε σε μελέτη στο «Nature Electronics».
Οι ερευνητές στρέφονται στα μικροκύματα για εφαρμογές που απαιτούν τεράστιο εύρος ζώνης, όπως τα ραντάρ υψηλής ανάλυσης, αξιοποιώντας την ευελιξία των αναλογικών συχνοτήτων για να επιτύχουν ακαριαίες επεξεργασίες. Όπως εξηγεί ο επικεφαλής της έρευνας και υποψήφιος διδάκτορας του Cornell, Μπαλ Γκόβιντ, η δυνατότητα του συστήματος να μεταβάλλει προγραμματιζόμενα το σήμα σε μεγάλο φάσμα συχνοτήτων το καθιστά κατάλληλο για πολλαπλές και εξαιρετικά απαιτητικές υπολογιστικές λειτουργίες, παρακάμπτοντας στάδια που οι ψηφιακοί επεξεργαστές εκτελούν υποχρεωτικά.
Ο νέος επεξεργαστής αξιοποιεί αναλογικά μικροκύματα τα οποία «ταξιδεύουν» μέσα σε ένα τεχνητό νευρωνικό δίκτυο, δημιουργώντας ένα φάσμα «χτένας» – ένα μοτίβο ομοιόμορφα κατανεμημένων συχνοτήτων που επιτρέπει γρήγορες και ακριβείς μετρήσεις. Οι κόμβοι του δικτύου συνδέονται μέσω ρυθμιζόμενων κυματοδηγών, επιτρέποντας την αναγνώριση προτύπων και τη δυναμική προσαρμογή σε νέα δεδομένα.
Το MNN μπορεί να επιλύει βασικές λογικές πράξεις αλλά και πολύπλοκες υπολογιστικές εργασίες, όπως αναγνώριση ακολουθιών και μοτίβων σε σήματα υψηλής ταχύτητας, με ακρίβεια που αγγίζει το 88%. Λειτουργώντας στο αναλογικό φάσμα και ακολουθώντας πιθανοκρατική προσέγγιση, πετυχαίνει ταχύτητες δεκάδων GHz — υπερβαίνοντας κατά πολύ τους οικιακούς επεξεργαστές των 2,5–4 GHz.
Η διευθύντρια του Τμήματος Ηλεκτρολογίας και Μηχανικής Υπολογιστών του Cornell, Αλίσα Απσέλ, τονίζει ότι ο Γκόβιντ εγκατέλειψε συμβατικές σχεδιαστικές αρχές, δημιουργώντας ένα σύστημα που μοιάζει περισσότερο με «σούπα συχνοτήτων» παρά με κλασικό ψηφιακό νευρωνικό δίκτυο — μια προσέγγιση που οδηγεί σε υπολογισμούς υψηλής απόδοσης χωρίς περίπλοκες διορθώσεις.
Η ενεργειακή κατανάλωση του τσιπ είναι εντυπωσιακά χαμηλή, κάτω από 0,2 watt, συγκριτικά με τα τουλάχιστον 65 watt των συνηθισμένων CPU. Αυτό το καθιστά ιδανικό για φορητές συσκευές, wearable τεχνολογία ή εφαρμογές edge computing όπου απαιτούνται άμεσα αποτελέσματα χωρίς σύνδεση σε κεντρικούς διακομιστές. Παράλληλα, μπορεί να αξιοποιηθεί στην εκπαίδευση μοντέλων τεχνητής νοημοσύνης, προσφέροντας ισχυρή υπολογιστική ισχύ με ελάχιστη ενέργεια.
Οι ερευνητές σχεδιάζουν να απλοποιήσουν περαιτέρω την αρχιτεκτονική, μειώνοντας τον αριθμό των κυματοδηγών και το μέγεθος του τσιπ. Στόχος είναι ένα πιο συμπαγές MNN ικανό να χειρίζεται διασυνδεδεμένες «χτένες συχνοτήτων», αποδίδοντας ακόμη πιο πλούσια φάσματα εξόδου και ενισχύοντας την απόδοση των νευρωνικών δικτύων της επόμενης γενιάς.
