Изследванията върху изкуствения интелект стават много активни и развитието на базирани на изкуствен интелект електронни устройства и пускането на продукти се ускорява, особено в епохата на Четвъртата индустриална революция. За внедряване на изкуствен интелект в електронните устройства трябва да се поддържа и персонализирано разработване на хардуер. Повечето електронни устройства за изкуствен интелект обаче изискват висока консумация на енергия и силно интегрирани масиви памет за мащабни задачи. Беше предизвикателство да се решат тези ограничения на консумацията на енергия и интеграцията и бяха положени усилия да се разбере как човешкият мозък решава проблеми.
За да докаже ефективността на разработената технология, изследователската група създаде хардуер за изкуствена невронна мрежа, оборудван със самокоригиращ се синаптичен масив и алгоритъм, наречен „система за скриване“, която беше разработена за провеждане на обучение с изкуствен интелект. В резултат на това той успя да намали енергията с 37% в рамките на системата за скриване без никакво влошаване на точността. Този резултат доказва, че емулирането на невромодулацията при хора е възможно.
Професор Ким каза: „В това проучване ние внедрихме метода на обучение на човешкия мозък само с проста композиция на верига и чрез това успяхме да намалим необходимата енергия с близо 40 процента.“
Тази система за скриване, вдъхновена от невромодулацията, която имитира невронната активност на мозъка, е съвместима със съществуващите електронни устройства и комерсиализирания полупроводников хардуер. Очаква се да се използва при проектирането на следващо поколение полупроводникови чипове за изкуствен интелект.
Това проучване е публикувано в Advanced Functional Materials през март 2022 г. и е подкрепено от KAIST, Националната изследователска фондация на Корея, Националния център за нанофабрики и SK Hynix.
