Tiến sĩ Joseph S. Friedman, Phó giáo sư kỹ thuật điện và máy tính, Đại học Texas ở Dallas (UT Dallas) - Ảnh: UT Dallas
Theo trang EurekAlert! ngày 30-10, các nhà khoa học Đại học Texas ở Dallas (UT Dallas, Mỹ) đã phát triển nguyên mẫu "máy tính mô phỏng não người" có khả năng học và dự đoán mô hình với ít phép huấn luyện và năng lượng hơn so với hệ thống AI thông thường.
Đây là bước tiến quan trọng trong lĩnh vực máy tính thần kinh - công nghệ lấy cảm hứng từ cách não người xử lý và lưu trữ thông tin.
Công trình do TS Joseph S. Friedman chủ trì, công bố trên tạp chí Nature Communications Engineering, với sự hợp tác của Everspin Technologies và Texas Instruments.
Khác với máy tính truyền thống tách biệt bộ nhớ và xử lý, máy tính thần kinh kết hợp hai chức năng này trong cùng hệ thống giúp hoạt động hiệu quả và tiết kiệm năng lượng hơn.
Thiết bị vận hành dựa trên quy tắc "các nơron cùng hoạt động sẽ kết nối mạnh hơn", mô phỏng cơ chế hình thành ký ức và học tập của não người.
Điểm nổi bật của nhóm nghiên cứu là sử dụng "mối nối đường hầm từ tính" (MTJ) - linh kiện siêu nhỏ có thể điều chỉnh dòng điện như khớp thần kinh. Nhờ đó, máy có thể "học" bằng cách tự thay đổi liên kết giữa các nơron nhân tạo, tương tự cách não người thích nghi khi học tập.
Công trình được xem là hướng đi triển vọng thay thế các mô hình AI tiêu tốn năng lượng hiện nay. Nghiên cứu nhận tài trợ từ Quỹ Khoa học quốc gia Mỹ (NSF) và Bộ Năng lượng Mỹ, với tổng kinh phí gần 500.000 USD trong hai năm để mở rộng thử nghiệm.
