Kaushik Roy, Giáo sư danh dự Edward G. Tiedemann, Jr. về Kỹ thuật Điện và Máy tính tại Trường Kỹ thuật Điện và Máy tính Elmore Family thuộc Đại học Purdue và là giám đốc Viện Chip và Trí tuệ Nhân tạo, đang phát triển phần cứng lấy cảm hứng từ não bộ , cho phép các thiết bị tự hành điều hướng và thích nghi hiệu quả với môi trường xung quanh. Công trình này đã được công bố trên tạp chí Communications Engineering.

Nhờ máy học, các máy móc được hỗ trợ bởi trí tuệ nhân tạo đã có những bước tiến đáng kể trong vài thập kỷ qua, cho phép chúng nhận diện các mẫu và đưa ra dự đoán hoặc quyết định. Tuy nhiên, các thuật toán hỗ trợ quá trình học tập này đòi hỏi lượng năng lượng khổng lồ để hoạt động do các phép tính phức tạp và thiết kế phần cứng vận hành chúng.

"Các thiết bị AI hiện nay được thiết kế với các đơn vị xử lý và bộ nhớ riêng biệt," Roy nói. "Việc di chuyển dữ liệu từ bộ nhớ đến đơn vị xử lý và thực hiện tất cả các thao tác phức tạp này tiêu tốn rất nhiều năng lượng. Điều này đặc biệt gây khó khăn cho các máy móc như máy bay không người lái, vốn cần xử lý thông tin nhanh chóng và hiệu quả để tránh chướng ngại vật trong khi hoàn thành nhiệm vụ được giao."

Để giải quyết vấn đề năng lượng này, Roy và nhóm của ông tại Phòng thí nghiệm Nghiên cứu Điện tử nano đang phát triển một hệ thống gồm các cảm biến, thuật toán và phần cứng cho phép các phương tiện tự hành dựa trên thị giác di chuyển từ điểm A đến điểm B đồng thời tránh chướng ngại vật, tối ưu hóa việc sử dụng năng lượng và hoạt động độc lập.

"Từ những hiểu biết ít ỏi của chúng ta về não bộ, khả năng tính toán và bộ nhớ không tách rời nhau, về cơ bản khiến nó trở thành bộ xử lý hiệu quả nhất có thể tưởng tượng được," Roy nói. "Đó là lý do tại sao chúng ta đang lấy những tín hiệu trực tiếp hơn từ não bộ và cùng thiết kế phần cứng và thuật toán để tối ưu hóa nhiều thiết bị AI khác nhau."

Kỹ sư Kaushik Roy thuộc Đại học Purdue lấy cảm hứng từ hiệu quả hoạt động của não bộ để giúp các phương tiện tự hành dựa trên thị giác điều hướng môi trường xung quanh. Roy và nhóm của ông đang phát triển một hệ thống cảm biến, thuật toán và phần cứng tiết kiệm năng lượng, cho phép máy bay không người lái và robot tránh chướng ngại vật. Ảnh: Đại học Purdue / John Underwood

Các thuật toán là động lực thúc đẩy khả năng nhận thức của trí tuệ nhân tạo.

Cốt lõi của hệ thống này là các thuật toán được gọi là mạng nơ-ron xung (spiking neural networks - SNNs). Tất cả các mạng nơ-ron đều bao gồm các lớp nơ-ron nhân tạo được kích hoạt khi nhận được thông tin, tương tự như cách hoạt động của một nơ-ron sinh học trong não bộ.

Tuy nhiên, không giống như não bộ, tất cả các tế bào thần kinh trong mạng lưới thần kinh truyền thống đều được kích hoạt với mỗi lần nhận thông tin, do đó tiêu tốn một lượng lớn năng lượng cho mỗi phép tính và mỗi quyết định hoặc hành động được thực hiện bởi mạng lưới.

Mặt khác, các tế bào thần kinh riêng lẻ trong mạng nơ-ron thần kinh đơn bào (SNN) chỉ phát xung khi chúng nhận được thông tin quan trọng. Điều được coi là "quan trọng" đối với một tế bào thần kinh cụ thể dựa trên điện thế màng được chỉ định - một ngưỡng xác định khi nào một tế bào thần kinh được kích hoạt.

Một tín hiệu đầu vào hoặc một mẩu dữ liệu phải đạt đến ngưỡng nhất định để tế bào thần kinh phát xung và tạo ra phản ứng. Do đó, mỗi tế bào thần kinh chỉ xử lý và lưu trữ "ký ức" liên quan đến chức năng của nó.

"Điện thế màng của mỗi tế bào thần kinh hoạt động như một bộ nhớ, cho phép mạng lưới ghi nhớ quá khứ, tương tự như các tế bào thần kinh sinh học", Roy nói.

"Hành vi này tỏ ra rất hữu ích cho các tác vụ tuần tự và dựa trên thời gian. Đây là những loại tác vụ mà máy bay không người lái và các phương tiện tự hành khác đang thực hiện khi chúng thu thập thông tin từ môi trường xung quanh và sử dụng thông tin đó để đưa ra quyết định về những việc cần làm tiếp theo."

Mặc dù mạng nơ-ron có khả năng kích hoạt chọn lọc là một điểm mạnh về sức mạnh xử lý, nhưng nó lại tạo ra một điểm yếu trong quá trình huấn luyện. Các mạng nơ-ron truyền thống học hỏi từ những sai lầm của chúng bằng cách dựa vào lan truyền ngược - một luồng thông tin liên tục xuyên suốt các lớp nơ-ron của mạng, giúp xác định vị trí và cách thức xảy ra sai lầm.

Việc kích hoạt có chọn lọc các mạng nơ-ron cảm ứng (SNN) tạo ra hoạt động không nhất quán và ít thông tin hơn. Và trong khi thời điểm phát xung rất quan trọng để cải thiện SNN, thì thuật toán lan truyền ngược trong hệ thống truyền thống chỉ được thiết kế để theo dõi vị trí xảy ra lỗi, chứ không phải thời điểm xảy ra lỗi.

Để giải quyết những vấn đề này, Kaushik và nhóm của ông đã phát triển các mạng nơ-ron lai kết hợp những ưu điểm của cả mạng nơ-ron truyền thống và mạng nơ-ron cảm ứng (SNN). Sự kết hợp này thu thập thông tin về thời gian một cách hiệu quả trong khi vẫn đủ khả năng huấn luyện và nhỏ gọn cho các thiết bị tự động.

Camera theo sự kiện giúp tăng cường khả năng điều hướng

Hai thuật toán như vậy, được gọi là Spike-FlowNet và Thuật toán Biên độ An toàn Thích ứng, giúp các camera đặc biệt dựa trên sự kiện được gắn trên xe quét và xử lý môi trường xung quanh hiệu quả hơn.

Tương tự như các nơ-ron riêng lẻ trong mạng nơ-ron sinh học (SNN), các điểm ảnh riêng lẻ trong camera dựa trên sự kiện hoạt động độc lập, và camera chỉ ghi lại khi có chuyển động hoặc thay đổi xảy ra ở các điểm ảnh đó. Điều này khác với các camera truyền thống, vốn ghi lại toàn bộ khung cảnh - tất cả các điểm ảnh mọi lúc.

Các camera này mô phỏng cách con người xử lý dữ liệu hình ảnh thông qua hai khía cạnh chính của hệ thống thị giác: chuyển động mắt nhanh và khả năng lấy nét của mắt. Cách tiếp cận này giúp các camera dựa trên sự kiện xử lý cảnh nhanh hơn bằng cách ưu tiên các vùng quan tâm hơn là tính toán từng khung hình.

"Hệ thống thị giác của con người tập trung sắc nét vào một vùng cụ thể và sử dụng chuyển động mắt nhanh để quét toàn cảnh một cách hiệu quả," Roy nói. "Công trình nghiên cứu của chúng tôi tích hợp các cơ chế này vào hệ thống thị giác nhân tạo để chúng tập trung tài nguyên tính toán vào những phần quan trọng nhất của một cảnh, chẳng hạn như một vật thể chuyển động, thay vì xử lý mọi thứ một cách đồng đều."

Máy bay không người lái sử dụng trí tuệ nhân tạo này, do kỹ sư Kaushik Roy của Đại học Purdue phát triển, được trang bị camera dựa trên sự kiện giúp nó tránh chướng ngại vật và đến được điểm đến đã được lập trình. Những camera này mô phỏng cách con người xử lý dữ liệu hình ảnh thông qua chuyển động mắt nhanh và khả năng tập trung. Ảnh: Đại học Purdue / John Underwood

Roy và nhóm của ông đã thử nghiệm công nghệ này trên một chiếc máy bay không người lái, và chiếc máy bay đã thành công trong việc điều hướng xung quanh các vòng tròn đang di chuyển trong thời gian thực.

"Chỉ sử dụng cảm biến thị giác, máy bay không người lái có thể tránh các vật thể đứng yên và di chuyển, đồng thời tiếp cận mục tiêu mà không va chạm," Roy nói. "Trong quá trình này, nó phải xác định cách các vật thể di chuyển trong tầm nhìn, ước tính độ sâu và sau đó lập kế hoạch đường đi. Đây là các thao tác phụ thuộc vào thời gian, trong đó việc hiểu cách mọi thứ thay đổi theo thời gian là rất quan trọng."

Tính toán và bộ nhớ hội tụ trong phần cứng chuyên dụng.

Phần cứng, thành phần cuối cùng của hệ thống của Roy, hiện đang được phát triển. Ông đặt mục tiêu tận dụng điện toán trong bộ nhớ để loại bỏ cái gọi là nút thắt cổ chai von-Neumann - con đường mà dữ liệu phải di chuyển giữa bộ xử lý trung tâm của máy tính và bộ nhớ, thường dẫn đến độ trễ trong tính toán.

Phần cứng đang được phát triển sẽ loại bỏ hiệu quả con đường đó bằng cách ánh xạ trực tiếp các phép toán và quy trình tính toán lên chip nhớ.

Một thiết bị, một khớp thần kinh điện tử mô phỏng cách não bộ học hỏi, hoạt động bằng cách truyền dòng điện qua một lớp kim loại, từ đó tạo ra hiệu ứng gọi là mômen xoắn spin-orbit.

Mômen xoắn spin-quỹ đạo hoạt động bằng cách di chuyển các vùng của lớp từ tính theo các hướng khác nhau tùy thuộc vào thời gian và cường độ của dòng điện. Thiết bị sẽ học được khi nào dòng điện làm thay đổi cấu trúc từ tính về mặt vật lý, từ đó ảnh hưởng đến cường độ dòng điện chạy qua trong tương lai.

Các thiết bị như khớp thần kinh điện tử giúp giảm tiêu thụ điện năng, tăng hiệu quả năng lượng và quan trọng nhất là hoạt động mà không cần kết nối internet - điều cực kỳ quan trọng đối với các thiết bị tự hành ngoài hiện trường.

Mặc dù các cuộc trình diễn sử dụng máy bay không người lái, nhưng các kiến ​​trúc lấy cảm hứng từ não bộ tương tự có thể được áp dụng cho robot trên mặt đất, xe tự hành, thiết bị đeo và các hệ thống AI nhúng khác cần khả năng nhận thức và ra quyết định theo thời gian thực trong điều kiện hạn chế về năng lượng.

https://techxplore.com/news/2026-03-brain-ai-hardware-autonomous-devices.html (ctngoc)