Memristor Sebagai Jaringan Saraf tiruan Terbaru

Jenis jaringan saraf baru yang dibuat dengan memristor dapat secara dramatis meningkatkan efisiensi  belajar mesin untuk berpikir seperti manusia.

Jaringan yang disebut sistem komputasi reservoir, bisa memprediksi kata-kata sebelum mereka diucapkan selama percakapan, dan membantu memprediksi hasil masa depan berdasarkan pada saat ini.

Tim peneliti yang menciptakan sistem komputasi reservoir, yang dipimpin oleh Wei Lu, profesor teknik elektro dan ilmu komputer di University of Michigan, baru-baru ini menerbitkan karya mereka di Nature Communications.

Sistem komputasi reservoir, yang memperbaiki kapasitas jaringan syaraf tiruan dan mengurangi waktu pelatihan yang dibutuhkan, telah diciptakan di masa lalu dengan komponen optik yang lebih besar. Namun, grup U-M menciptakan sistem mereka dengan menggunakan memristors, yang membutuhkan lebih sedikit ruang dan dapat diintegrasikan lebih mudah ke dalam elektronik berbasis silikon yang ada.

Memristor adalah jenis alat resistif khusus yang dapat melakukan logika dan menyimpan data. Ini berbeda dengan sistem komputer biasa, dimana prosesor melakukan logika terpisah dari modul memori. Dalam penelitian ini, tim Lu menggunakan memristor khusus yang hanya menghafal kejadian waktu dekat.

Terinspirasi oleh otak, jaringan syaraf tiruan terdiri dari neuron, atau nodus, dan sinapsis, hubungan antar nodus.

Untuk melatih jaringan syaraf tiruan untuk sebuah tugas, sebuah jaringan syaraf membutuhkan sejumlah besar pertanyaan dan jawaban atas pertanyaan-pertanyaan tersebut. Dalam proses apa yang disebut pembelajaran di bawah pengawasan, hubungan antara node tertimbang lebih berat atau ringan untuk meminimalkan jumlah kesalahan dalam mencapai jawaban yang benar.

Setelah dilatih, jaringan saraf kemudian bisa diuji tanpa mengetahui jawabannya. Misalnya, sebuah sistem dapat mengolah foto baru dan mengenali wajah manusia secara benar, karena ia telah mempelajari fitur wajah manusia dari foto lain dalam rangkaian pelatihannya.

"Banyak sekali, butuh berhari-hari atau bulan untuk melatih jaringan," kata Lu. "Itu sangat mahal."

Pengenalan gambar juga merupakan masalah yang relatif sederhana, karena tidak memerlukan informasi selain gambar statis. Tugas yang lebih kompleks, seperti pengenalan ucapan, sangat bergantung pada konteks dan memerlukan jaringan syaraf tiruan untuk mengetahui apa yang baru saja terjadi, atau apa yang baru saja dikatakan.

"Saat menuliskan ucapan ke bahasa teks atau menerjemahkan, arti kata dan bahkan pengucapan akan berbeda tergantung pada suku kata sebelumnya," kata Lu.

Ini memerlukan jaringan syaraf berulang, yang menggabungkan loop dalam jaringan yang memberi efek memori pada jaringan. Namun, pelatihan jaringan syaraf berulang ini sangat mahal, kata Lu.

Sistem komputasi reservoir yang dibangun dengan memristor, bagaimanapun, dapat melewatkan sebagian besar proses pelatihan yang mahal dan masih memberi jaringan kemampuan untuk mengingatnya. Ini karena komponen sistem yang paling kritis - reservoir - tidak memerlukan pelatihan.

Ketika satu set data dimasukkan ke dalam reservoir, reservoir mengidentifikasi fitur data yang berkaitan dengan waktu, dan menyerahkannya dalam format yang lebih sederhana ke jaringan kedua. Jaringan kedua ini kemudian hanya membutuhkan pelatihan seperti jaringan syaraf sederhana, mengubah bobot fitur dan keluaran yang dilalui jaringan pertama hingga mencapai tingkat kesalahan yang dapat diterima.

"Keindahan komputasi reservoir adalah saat kita merancangnya, kita tidak perlu melatihnya," kata Lu.

Tim ini membuktikan konsep komputasi reservoir menggunakan tes pengenalan tulisan tangan, tolok ukur umum di antara jaringan syaraf tiruan. Angka dipecah menjadi beberapa baris piksel, dan dimasukkan ke komputer dengan voltase seperti kode Morse, dengan voltase nol untuk piksel gelap dan sedikit di atas satu volt untuk piksel putih.

Dengan hanya menggunakan 88 memristor sebagai node untuk mengidentifikasi versi tulisan tangan dari angka, dibandingkan dengan jaringan konvensional yang memerlukan ribuan node untuk tugas tersebut, reservoir mencapai akurasi 91 persen.

Sistem komputasi reservoir sangat mahir menangani data yang bervariasi sesuai waktu, seperti arus data atau kata-kata, atau fungsi tergantung pada hasil masa lalu.

Untuk menunjukkan ini, tim menguji fungsi kompleks yang bergantung pada beberapa hasil masa lalu, yang umum terjadi di bidang teknik. Sistem komputasi reservoir mampu memodelkan fungsi kompleks dengan kesalahan minimal.

Lu berencana untuk mengeksplorasi dua jalur masa depan dengan penelitian ini: mengenali suara dan analisis prediktif.

"Kita bisa membuat prediksi tentang bahasa lisan alami, jadi Anda bahkan tidak perlu mengucapkan sepatah kata pun," kata Lu. "Kami benar-benar bisa memprediksi apa yang akan Anda katakan selanjutnya."

Dalam analisis prediktif, Lu berharap untuk menggunakan sistem ini untuk menerima sinyal dengan suara bising, seperti statis dari stasiun radio jauh, dan menghasilkan aliran data yang lebih bersih.

"Bisa juga memprediksi dan menghasilkan sinyal output meski input berhenti," katanya.

###