به گزارش «خبرنامه دانشجویان ایران»؛ فشار سنگین نیازهای هوش‌مصنوعی بر دوش سخت‌افزارهای سنتی، به‌ویژه ترانزیستورهای سیلیکونی، سبب شده تا کارایی آن‌ها به سقف فیزیکی خود نزدیک شود. قوانین قدیمی مانند «قانون مور» و «مقیاس‌بندی دنارد» که زمانی موتور رشد فناوری بودند، دیگر پاسخ‌گوی چالش‌های پردازشی امروزی نیستند. در این میان، نانوفناوری با ورود به مقیاس اتمی‌ـ‌مولکولی، افق تازه‌ای را برای طراحی و ساخت سخت‌افزارهای هوش مصنوعی گشوده است.
در مقیاس نانو، مواد ویژگی‌های منحصربه‌فردی از نظر الکتریکی، شیمیایی و فیزیکی از خود نشان می‌دهند؛ ویژگی‌هایی که می‌توانند به اجرای سریع‌تر، مصرف انرژی کمتر و عملکرد پیچیده‌تر در قالب معماری‌های کوچک‌تر منجر شوند.
یکی از نویدبخش‌ترین مسیرها در این زمینه، معماری‌های پردازش در محل حافظه (In-Memory Computing) است. در این روش، داده‌ها مستقیم در محل ذخیره‌سازی پردازش می‌شوند، بدون نیاز به انتقال مکرر بین حافظه و پردازنده. پژوهش‌ها نشان می‌دهند که نانومواد دوبعدی نظیر «هالید پروسکایت» با رسانایی یونی‌ـ‌الکترونی، عملکردی مشابه سیناپس‌های عصبی داشته و قابلیت تنظیم دقیق رسانایی دارند. این مواد ضمن پایداری بیشتر نسبت به همتایان سه‌بعدی توانسته‌اند در ساخت آرایه‌های حافظه‌ای عملکردی در حد مرزهای نظری نشان دهند.
در حوزه رایانش نورومورفیک نیز، نانومواد مسیر جدیدی گشوده‌اند. در این معماری الهام‌گرفته از مغز، حسگر و پردازشگر در یک ساختار نانویی ادغام می‌شوند. برای نمونه، نقاط کوانتومی اکسید روی (ZnO nanodots) می‌توانند فرآیند «فراموشی» اطلاعات استفاده‌نشده را تقلید کنند. از سوی دیگر، ترانزیستورهای نانولوله کربنی همراه با دی‌سولفید مولیبدن، سیگنال‌های ضربانی شبیه نورون‌های زیستی را بازتولید کرده و الگوهای پیچیده را با کمترین انرژی شناسایی می‌کنند.
اما یکی از بحران‌های اصلی هوش مصنوعی، مصرف بالای انرژی است. آموزش یک مدل پیشرفته می‌تواند به‌اندازه مصرف سالانه ده‌ها خانوار انرژی نیاز داشته باشد. در این‌جا نیز فناوری نانو راه‌حل ارائه می‌دهد: شبکه‌های عصبی ضربانی مبتنی بر نانومواد، تا ۱۰۰هزار برابر مصرف انرژی را نسبت به روش‌های متعارف کاهش داده‌اند. حتی در تشخیص گفتار، ممریستورهای ساخته‌شده از موادی نظیر گرافن، اکسید منیزیم و تنگستن، دقتی تا ۹۴ درصد را با کسری از انرژی رایانش دیجیتال ارائه داده‌اند.
در زمینه ذخیره‌سازی پیشرفته نیز، فناوری نانو تحول‌آفرین بوده است. نقاط کوانتومی می‌توانند داده‌ها را بر اساس حالت‌های انرژی ذخیره کنند و تراکم اطلاعاتی بی‌سابقه‌ای ایجاد کنند. ممریستورهایی که با اکسید تیتانیوم یا گرافن ساخته شده‌اند، قابلیت ذخیره‌سازی تا ۱۰ تریلیون بیت در هر اینچ مربع را دارند؛ عددی چشمگیر که به فشرده‌سازی داده‌های هوش مصنوعی در سخت‌افزارهای کوچک اما قدرتمند کمک می‌کند.
یکی دیگر از نوآوری‌های مطرح، سامانه‌های چرخش مغناطیسی فوق‌سریع (Ultrafast Spintronics) هستند. پژوهشگران با بهره‌گیری از پالس‌های پیکوثانیه‌ای و سوئیچ‌های نانوفوتوالکترونیک، موفق به تغییر وضعیت مغناطیسی در ابعاد ۱۰۰ در ۱۰۰ نانومتر با انرژی تنها ۹ فمتوژول شده‌اند؛ عددی بسیار پایین که می‌تواند مصرف انرژی در حافظه‌های آینده را دگرگون کند.
از سوی دیگر، فناوری‌نانو در مدیریت گرما نیز مؤثر ظاهر شده است. مواد معمول خنک‌کننده به‌دلیل مقاومت بالای بین‌سطحی، عملکرد مطلوبی ندارند. با مهندسی نانویی سطوح، مانند لایه‌گذاری گرادیانی در «ناهم‌سطوح ناهم‌جنس»، انتقال حرارت به‌شدت افزایش یافته است. در یک نمونه، ترکیب‌های کلوئیدی از «گالینستان» و نیترید آلومینیوم توانستند تا ۲۷۶۰ وات گرما را در سطح ۱۶ سانتی‌متر مربع منتقل کرده و در کنار سامانه‌های خنک‌کننده ریزکانالی، مصرف برق را تا ۶۵ درصد کاهش دهند.
به نقل از ستاد نانو، بااین‌حال، یکپارچه‌سازی این اجزای نانومقیاس با سامانه‌های الکترونیکی مرسوم نیازمند طراحی مجدد، روش‌های نوین ساخت و سازگاری فنی میان نسل جدید و قدیم است. درنهایت، آینده هوش مصنوعی به‌شدت به توانایی ما در بهره‌گیری از ظرفیت نانو برای ساخت سامانه‌هایی سریع‌تر، کم‌مصرف‌تر و هوشمندتر وابسته خواهد بود.
