Apa itu Komputasi Neuromorfik?

Inovasi adalah upaya mencari cara ilmiah baru untuk mengatasi atau memperbaiki keterbatasan teknologi terdepan. Jika kita melihat kondisi AI saat ini, kemampuannya luar biasa dan mampu melakukan hal-hal yang beberapa tahun lalu terasa mustahil. Namun, banyak dari sistem ini tidak efisien dan boros sumber daya. 

Seperti yang kami jelaskan dalam artikel terpisah tentang AI Berkelanjutan, pelatihan dan operasional sistem AI modern membutuhkan listrik, air, dan sumber daya dalam jumlah besar, sehingga menghasilkan jejak lingkungan yang meningkat pesat. Dengan latar belakang ini, tidak mengherankan jika Sam Altman, CEO OpenAI, perusahaan di balik ChatGPT dan model AI generatif sukses lainnya, menyatakan bahwa masa depan AI bergantung pada terobosan energi. 

Namun, sembari menantikan hadirnya sumber energi (bersih) baru yang telah lama dinanti, para peneliti mencari cara-cara baru untuk menekan konsumsi energi teknologi AI saat ini melalui pendekatan komputasi baru yang lebih efisien.

Di sinilah komputasi neuromorfik berperan. Komputasi neuromorfik adalah pendekatan komputasi yang terinspirasi oleh struktur dan fungsi otak manusia. Ini melibatkan pergeseran paradigma yang mensimulasikan struktur dan fungsi neural serta sinaptik otak untuk memproses informasi. Tujuannya adalah menciptakan sistem AI baru yang melampaui model deep learning saat ini dalam hal kapabilitas dan efisiensi.

Artikel ini akan memberi Anda semua yang perlu diketahui untuk memulai di bidang komputasi neuromorfik yang menarik dan menjanjikan. Kami akan membahas dasar-dasar paradigma komputasi ini, aplikasi utamanya, beserta kelebihan dan tantangannya.

Apa Itu Komputasi Neuromorfik?

Komputasi neuromorfik adalah pendekatan revolusioner dalam merancang perangkat keras dan perangkat lunak yang meniru otak manusia, menawarkan alternatif yang lebih efisien dan berkelanjutan dibanding komputasi tradisional untuk menjalankan sistem AI tingkat lanjut.

Beberapa dekade terakhir menyaksikan peningkatan berkelanjutan pada kapabilitas komputer. Dari kalkulator sederhana hingga sistem kompleks yang memanfaatkan kekuatan AI dan machine learning untuk memprediksi berbagai peristiwa dengan akurasi belum pernah terjadi dan menghasilkan konten (misalnya, ChatGPT), evolusi komputer banyak bercerita tentang masyarakat modern dan bagaimana kita sampai di sini.

Namun, komputer modern mulai mencapai batasnya. Dengan bangkitnya AI, pendekatan komputasi saat ini terbukti tidak efisien, lambat, dan boros energi. Jumlah sumber daya yang diperlukan untuk membuat sistem AI tersebar luas tergolong berlebihan dan sulit ditanggung dari perspektif lingkungan. 

Komputasi neuromorfik adalah pendekatan baru yang mencoba mengatasi keterbatasan mesin saat ini. Meskipun istilahnya tidak baru (berasal dari 1980-an ketika peneliti Misha Mahowald dan Carver Mead mengembangkan retina dan koklea silikon pertama serta neuron dan sinapsis silikon pertama yang memelopori paradigma komputasi neuromorfik), popularitasnya meningkat pesat. 

Pendekatan ini mengusulkan peninjauan ulang total tentang bagaimana perangkat keras dan perangkat lunak dikonsep dan dikembangkan. Tujuannya adalah merancang komponen komputer yang meniru otak dan sistem saraf manusia. 

Bagaimana Cara Kerja Komputasi Neuromorfik?

Untuk memahami cara kerja komputasi neuromorfik, kita perlu terlebih dahulu memahami cara kerja otak manusia. 

Secara sederhana, fungsi pemrosesan dan memori dilakukan oleh neuron dan sinapsis. Neuron dan sinapsis ini mengirim dan membawa informasi dari otak dengan kecepatan nyaris seketika dan konsumsi energi nyaris nol. Fungsi-fungsi tersebut menjelaskan, misalnya, mengapa kita dapat dengan cepat membedakan kucing dari anjing atau menghentikan mobil saat melihat pejalan kaki di tengah jalan.  

Kunci dari kemampuan luar biasa kita menavigasi kompleksitas realitas adalah fungsi pemrosesan dan memori terjadi di lokasi yang sama. Ini secara fundamental berbeda dibanding komputer tradisional, yang memiliki unit memori dan pemrosesan terpisah. 

Meskipun desain ini sangat efektif untuk operasi kompleks, seperti memprediksi apakah besok akan hujan, desain tersebut jauh dari ideal untuk tugas-tugas tertentu yang mudah bagi manusia, seperti pengenalan gambar, penalaran, atau berjalan.

Revolusi komputasi neuromorfik menjanjikan bahwa tugas-tugas ini akan dijalankan pada satu chip yang dirancang khusus untuk menjalankan spiking neural networks (SNN), yakni jenis jaringan saraf tiruan yang tersusun dari neuron dan sinapsis yang memunculkan spike. Simak artikel khusus kami untuk mengetahui lebih detail apa itu neural network.

SNN berbeda dari neural network konvensional karena menghilangkan kebutuhan transfer data antara memori (RAM) dan unit pemrosesan (CPU atau GPU). SNN juga bersifat event-driven, artinya hanya memproses informasi ketika peristiwa relevan terjadi (berdasarkan mekanisme spiking yang mengandalkan ambang untuk mengaktifkan neuron). 

Akibatnya, SNN dapat mempercepat waktu pemrosesan dan mengurangi penggunaan energi. Peningkatan latensi seperti ini dapat berdampak besar, terutama pada tugas-tugas yang bergantung pada data sensor waktu nyata, seperti kamera pada mobil swakemudi.

Aplikasi Komputasi Neuromorfik

Komputasi neuromorfik dapat mendorong revolusi dengan implikasi mendalam bagi industri. Jika janji efisiensi yang belum pernah ada sebelumnya menjadi kenyataan dan arus utama, komputasi neuromorfik bisa menjadi pengubah permainan bagi banyak aplikasi, mempercepat pengembangan dan implementasinya.

Di bawah ini, Anda dapat menemukan daftar aplikasi paling menarik yang dapat memperoleh manfaat dari komputasi neuromorfik.

Kecerdasan buatan dan pembelajaran mesin

AI adalah salah satu teknologi paling disruptif dan transformatif yang telah kita kembangkan. Penggunaan AI tidak terbatas, namun, seperti yang telah disebutkan, komputer saat ini kurang tepat untuk memaksimalkan potensi penuh AI. 

Untungnya, komputasi neuromorfik menyediakan pendekatan komputasi inovatif yang telah terbukti sangat cocok untuk tugas dan masalah yang membutuhkan efisiensi energi, pemrosesan paralel, dan adaptabilitas, seperti pengenalan pola dan pemrosesan sensorik. Sebagai contoh, pembelajaran mesin neuromorfik telah digunakan untuk mengenali pola dalam bahasa alami atau untuk tujuan pengenalan wajah.

Kendaraan otonom

Contoh bagus bagaimana komputasi neuromorfik dapat menjadi pengubah permainan pada aplikasi yang membutuhkan pemrosesan sensorik adalah mobil otonom. Produsen mobil swakemudi menggunakan banyak kamera dan sensor cerdas untuk memperoleh citra dari lingkungan agar mobil dapat mendeteksi objek, marka jalur, dan rambu lalu lintas untuk berkendara dengan aman. 

Berkat kinerja tinggi dan latensi rendah, komputer neuromorfik dapat membantu meningkatkan kemampuan navigasi kendaraan otonom, memungkinkan pengambilan keputusan yang lebih cepat dan akurat, yang penting untuk meminimalkan potensi kecelakaan, sekaligus memungkinkan pengurangan signifikan dalam penggunaan energi. Ini pada akhirnya akan memperpanjang umur baterai mobil.

Jika Anda tertarik pada sisi teknis kendaraan otonom, berikut proyek DataCamp untuk mendeteksi rambu lalu lintas dengan deep learning yang dapat membantu Anda memulai di bidang ini.

Robotika

Sejalan dengan kendaraan otonom, komputasi neuromorfik dipandang sebagai teknologi kunci yang akan membawa robotika ke tahap perkembangan baru. Robot baru yang didukung sensor neuromorfik mungkin lebih cocok untuk mengatasi tantangan klasik di bidang ini, seperti bagaimana memungkinkan pembelajaran dan pengambilan keputusan waktu nyata dalam skenario dunia nyata, dengan mempertimbangkan batasan terkait baterai. 

Tertarik pada cara mesin berinteraksi dengan lingkungannya? Bacalah artikel ini untuk mempelajari lebih lanjut tentang persepsi mesin dan sensor cerdas.

Komputasi tepi (edge computing)

Kebanyakan sistem AI canggih sering bergantung pada server cloud jarak jauh untuk pekerjaan beratnya. Pendekatan ini bisa bermasalah bagi aplikasi yang membutuhkan respons cepat, seperti mobil swakemudi atau yang berjalan pada perangkat dengan sumber daya terbatas. Edge computing mencoba mengatasinya dengan menghadirkan kapabilitas AI langsung ke perangkat itu sendiri.

Kemajuan dalam komputasi neuromorfik berpotensi merevolusi edge computing. Berkat konsumsi daya rendah pada chip neuromorfik, ponsel pintar dan berbagai perangkat sandang cerdas –yang biasanya memiliki daya tahan baterai pendek—, akan dapat menjalankan banyak tugas baru yang sebelumnya memerlukan banyak energi. 

Keunggulan Komputasi Neuromorfik

Di sini, kami membahas beberapa alasan paling menonjol mengapa PwC baru-baru ini menyebut komputasi neuromorfik sebagai salah satu dari delapan teknologi baru yang esensial saat ini. 

Efisiensi energi

Komputasi neuromorfik bisa menjadi fondasi fase baru dalam komputasi cerdas. Komponen perangkat keras dan perangkat lunak yang baru akan menghasilkan efisiensi dalam pemrosesan data dan konsumsi daya. Peningkatan tersebut akan membantu perusahaan menurunkan biaya operasional, mengembangkan sistem AI yang lebih cepat dan akurat, dan, semoga, mengurangi jejak karbon mereka. 

Pemrosesan paralel

Pemrosesan paralel merujuk pada pembagian suatu tugas komputasi menjadi tugas-tugas kecil di banyak server, yang kemudian menyelesaikannya secara bersamaan dan lebih cepat. Karakteristik SNN membuatnya sangat cocok untuk tugas yang membutuhkan pemrosesan paralel, seperti pengenalan pola. 

Pembelajaran waktu nyata dan adaptabilitas

Komputer neuromorfik berbasis SNN unggul dalam pembelajaran waktu nyata dan adaptabilitas. Fleksibilitas dan keberagaman ini bisa vital untuk aplikasi AI yang membutuhkan pembelajaran berkelanjutan dan pengambilan keputusan cepat, seperti robot atau kendaraan otonom.

Tantangan dan Keterbatasan

Meskipun manfaat neuromorfik jelas, teknologinya relatif baru dan belum siap menjadi arus utama. Berikut beberapa tantangan ke depan.

Kurangnya standar

Walau jumlah proyek neuromorfik kian bertambah, mayoritasnya berada di laboratorium riset dan universitas dengan pendanaan baik. Ini menunjukkan teknologi belum siap memasuki pasar. Masih ada kekurangan standar perangkat keras dan perangkat lunak, yang tanpanya skala nyaris mustahil dicapai.

Aksesibilitas terbatas

Pada dasarnya, kurangnya standar berarti kita masih kekurangan kosakata untuk menamai dan mendeskripsikan komponen serta properti komputer neuromorfik. Itu menjelaskan mengapa hanya segelintir pakar di seluruh dunia yang akrab dengan komputasi neuromorfik. Seperti dikatakan Andreea Danielescu, direktur asosiasi di Accenture Lab: