HiAER-spike yazılım-donanım yeniden yapılandırılabilir platformu: ölçeklenebilir olay güdümlü nöromorfik hesaplama

Neden Yeni Bir Bilgisayar Türü Önemli?

Bugünün yapay zekâsının çoğu, beyinler için değil, on yıllar önce elektronik tablolar ve kelime işlemciler için tasarlanmış donanımlar üzerinde çalışıyor. Araştırmacılar daha akıllı ve daha verimli makineler hedefledikçe, güç, hız ve ölçek sınırlamalarına takılıyorlar. Bu makale, bilgiyi gerçek nöronlara benzer şekilde kısa elektriksel olaylar—pikler—olarak işleyen HiAER‑Spike adlı nöromorfik hesaplama platformunu tanıtıyor. San Diego Süperbilgisayar Merkezi’nde paylaşılan bir kaynak olarak inşa edilen sistem, araştırmacıların dünya çapında beyin esinli yapay zekâyı küçük hayvan beyinlerine yaklaşan ölçekte denemelerine olanak sağlamayı ve bunu geleneksel sistemlerden çok daha az enerjiyle yapmayı amaçlıyor.

Beyinden İlham Alan Bir Makine İnşa Etmek

HiAER‑Spike, her biri güçlü, yeniden yapılandırılabilir çipler (FPGA’lar) ile dolu büyük bir sunucu kümesidir. Bu çipler sıradan yazılım talimatları çalıştırmak yerine, spiking sinir ağları adı verilen geniş yapay nöron ve sinaps ağları gibi davranacak şekilde yapılandırılır. Tam sistem yaklaşık 160 milyon model nörona ve 40 milyar sinapse kadar—bir fare beynindeki nöron sayısından iki kattan fazla—işlem yapacak şekilde tasarlanmıştır ve bunları gerçek zamanın daha hızlısında simüle edebilir. Hiyerarşik adres‑olay yönlendirme olarak adlandırılan özel bir iletişim düzeni, piklerin aynı çip içindeki nöron grupları arasında, farklı çipler arasında ve hatta sunucular arasında hızla yol almasını sağlar; bu, beyindeki gri ve beyaz madde arasındaki dengeyi andıran yerel yoğun trafik ile seyrek uzun menzilli bağlantıları dengeler.

Sınırlı Donanıma Dev Ağları Sığdırmak

Böyle sistemleri kurarken karşılaşılan önemli zorluklardan biri, tüm bağlantıları depolamaktır. Modern sinir ağları genellikle çok büyük ama aynı zamanda seyrektir: olası bağlantıların çoğu kullanılmaz. HiAER‑Spike bu seyrekliği, tüm olasılıkların yer aldığı tam bir ızgara yerine yalnızca var olan bağlantıları verimli bir liste halinde saklayarak değerlendirir. Sinaptik ağırlıklar her FPGA üzerindeki yüksek bant genişliğine sahip bellekte tutulurken, nöronların ve aksonların hızla değişen durumları daha hızlı yonga içi bellekte saklanır. Pikler oluştuğunda sistem önce hangi sinapsların etkilendiğine bakar, sonra bunların güçlerini getirir ve hedef nöronları günceller. Bu iki adımlı süreç ve bellekteki dikkatli veri paketleme, ağlar büyüse bile enerji kullanımı ve gecikmeyi düşük tutar.

Gelişmiş Donanımı Kullanımı Kolay Hale Getirmek

Bu özel makineyi uzman olmayanlara açmak için yazarlar Python ve C++’ta yüksek seviyeli bir yazılım arayüzü oluşturdu. Kullanıcılar nöron tiplerini, girişleri, bağlantıları ve çıktıları tanımlayan basit nesnelerle spiking ağlarını tarif edebilir; düşük seviyeli donanım ayrıntılarıyla uğraşmalarına gerek yoktur. Aynı kod ya yerel bir yazılım simülasyonu olarak ya da Neuroscience Gateway portalı üzerinden gönderildiğinde HiAER‑Spike donanımında çalıştırılabilir. Platform şu anda basit ikili nöronları ve sızıntılı entegre‑ve‑ateş (leaky integrate-and-fire) nöronları destekler, davranışlarında rastgelelik seçenekleri sunar ve bir ağ içinde farklı nöron tiplerinin karıştırılmasına izin verir. Bu tasarım araştırmacıların dizüstü bilgisayarda modelleri prototiplemesine, sonra sorunsuz biçimde büyük nöromorfik kümeye ölçeklendirmesine olanak tanır.

Pikleri Gerçek Görevlere Uygulamak

Platformun neler yapabildiğini göstermek için ekip, çeşitli standart görme ve kontrol modellerini spiking biçimine dönüştürdü ve bunları bir FPGA’nın tek çekirdeğinde çalıştırdı. Klasik MNIST veri setinde rakam tanıma, kareler yerine pik üreten olay tabanlı kameralarla jest tanıma, CIFAR‑10 görüntülerinde nesne tanıma ve hatta hareketin spike‑temsilini kullanarak Atari Pong oyununu kontrol etme testleri yaptılar. Bu görevlerin tamamında donanım, ağırlık nicemlemesinden (quantization) sonra yazılım simülasyonlarının doğruluğuna yakın sonuçlar verdi; genellikle fark birkaç yüzdelik puandan azdı ve çok düşük gecikme ile enerji tüketimi sundu. Örneğin bazı rakam tanıma ağları, görüntü başına mikrojoule düzeyinde enerji ve mikrosaniyeler düzeyinde gecikme ile yüzde 98’in üzerinde doğruluğa ulaştı.

Bu Yeni Platform Nereye Götürebilir?

Bir teknik olmayan okura iletilmesi gereken ana mesaj, HiAER‑Spike’ın araştırma topluluğunun uzaktan kullanabileceği esnek, beyinden ilham alan bir hesaplama deneyevidir. Erken aşamasında bile tek bir çekirdek, olay tabanlı kameralardan gelen jestleri tanımak gibi görevler için önemli boyutta spiking ağları çalıştırabilir; bunu birçok rakip sisteme kıyasla çok daha az enerji ve zaman harcayarak yapar. Daha fazla çekirdek ve kart çevrime girdiğinde ve yazılım daha zengin nöron modelleri ile öğrenme kuralları ekledikçe, bu platform nörobilim ile yapay zekâ arasındaki köprüyü kurmaya yardımcı olabilir—büyük pik ağlarının verimli algılama, karar verme ve gelecekteki düşük güçlü zeki cihazları nasıl besleyebileceğini araştıran deneyleri destekleyebilir.

Atıf: Frank, G., Hota, G., Wang, K. et al. HiAER-spike software-hardware reconfigurable platform for event-driven neuromorphic computing at scale. npj Unconv. Comput. 3, 22 (2026). https://doi.org/10.1038/s44335-026-00062-8

Anahtar kelimeler: nöromorfik hesaplama, spiking sinir ağları, FPGA hızlandırıcı, olay tabanlı görme, beyinden ilham alan donanım