Son onilliklərdə kompüter alimləri xüsusi nümunələri proqnozlaşdırmağı və ya böyük miqdarda məlumatı təhlil edərək tapşırıqları effektiv şəkildə yerinə yetirməyi öyrənə bilən getdikcə təkmil maşın öyrənmə üsullarını inkişaf etdirirlər. Bununla belə, bəzi tədqiqatlar süni intellektə əsaslanan bəzi vasitələrin zəifliklərini vurğulayaraq, onlara verilən həssas məlumatların potensial olaraq zərərli üçüncü tərəflər tərəfindən əldə oluna biləcəyini nümayiş etdirir.

Daha çox məlumat məxfiliyini təmin edə bilən maşın öyrənmə yanaşması, bir-biri ilə hər hansı bir xam məlumat mübadiləsi tələb olunmayan müxtəlif istifadəçilər və ya tərəflər tərəfindən paylaşılan neyron şəbəkənin birgə təlimini nəzərdə tutan federativ öyrənmədir. Bu texnika süni intellektdən faydalana bilən, lakin səhiyyə və maliyyə kimi yüksək həssas istifadəçi məlumatlarını saxladığı məlum olan sektorlarda tətbiq edildikdə xüsusilə faydalı ola bilər.

Tsinghua Universiteti, Çin Mobil Tədqiqat İnstitutu və Hebei Universitetinin tədqiqatçıları bu yaxınlarda federativ öyrənmə üçün yeni yaddaşda hesablama çipi hazırlayıblar. O, keçmişdə onlardan keçən elektrik cərəyanına əsaslanaraq müqavimətini uyğunlaşdırmaqla həm hesablamaları yerinə yetirə, həm də məlumat saxlaya bilən uçucu olmayan elektron komponentlərə əsaslanan memristorlara əsaslanır. Nature Electronics -də nəşr olunan məqalədə qeyd olunan onların təklif etdiyi çipin federativ öyrənmə yanaşmalarının həm səmərəliliyini, həm də təhlükəsizliyini artırdığı aşkar edildi.

Xueqi Li, Bin Qao və onların həmkarları öz məqalələrində yazırdılar: “Federativ öyrənmə, məlumatların məxfiliyini qoruyarkən bir çox iştirakçı üçün neyron şəbəkəni kollektiv şəkildə öyrətmək üçün çərçivə təmin edir və adətən homomorfik şifrələmə vasitəsilə əldə edilir”. “Lakin bu yanaşmanın yerli kənarda tətbiqi əsasların yaradılması, xəta polinomunun yaradılması və geniş hesablama tələb edir ki, bu da əhəmiyyətli vaxt və enerji sərfiyyatı ilə nəticələnir .

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=2793866484&adk=2520359048&adf=1100001614&pi=t.ma~as.2793866484&w=750&abgtt=6&fwrn=4&fwrnh=0&lmt=1750840204&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2025-06-memory-chip-efficiency-privacy-federated.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM3LjAuNzE1MS4xMjAiLG51bGwsMCxudWxsLCI2NCIsW1siR29vZ2xlIENocm9tZSIsIjEzNy4wLjcxNTEuMTIwIl0sWyJDaHJvbWl1bSIsIjEzNy4wLjcxNTEuMTIwIl0sWyJOb3QvQSlCcmFuZCIsIjI0LjAuMC4wIl1dLDBd&dt=1750840200478&bpp=1&bdt=462&idt=595&shv=r20250617&mjsv=m202506170101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dfdc40d724f2dca57%3AT%3D1735367325%3ART%3D1750840200%3AS%3DALNI_MYStQ6fUQQQLyo5Z7z1h-XhXcWBtA&gpic=UID%3D00000f80eacffadc%3AT%3D1735367325%3ART%3D1750840200%3AS%3DALNI_MYaOugky0UawScoidzfbXof3-N-iw&eo_id_str=ID%3De43bb863646b60b8%3AT%3D1735367325%3ART%3D1750840200%3AS%3DAA-AfjbQoPwZqH28q9IwcCLRSzzg&prev_fmts=0x0%2C1905x945&nras=2&correlator=6843145935668&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=1808&biw=1905&bih=945&scr_x=0&scr_y=0&eid=31093051%2C31093090%2C95353387%2C95362436%2C95362656%2C95364338%2C42533293%2C95344788%2C95359266%2C95364331%2C95364390%2C95360684&oid=2&pvsid=2747885107712378&tmod=1734944308&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=4011

“Biz açar yaratmaq üçün in situ fiziki klonlana bilməyən funksiyası və səhv polinomu yaratmaq üçün in situ həqiqi təsadüfi ədəd generatoru ilə yaddaşda hesablama çip arxitekturası haqqında məlumat veririk.”

Tədqiqatçılar tərəfindən təklif edilən yeni memristor əsaslı arxitektura həm hesablamaları yerinə yetirə, həm də məlumat saxlaya bildiyi üçün məlumatların hərəkətini azalda bilər və beləliklə, federasiyalı öyrənmə vasitəsilə müxtəlif tərəflərin süni neyron şəbəkəsini (ANN) kollektiv şəkildə öyrətməsi üçün tələb olunan enerjini məhdudlaşdıra bilər.

Komandanın çipi həmçinin fiziki klonlana bilməyən funksiyanı, şifrlənmiş rabitə zamanı təhlükəsiz açarlar yaratmaq üçün aparat əsaslı texnikanı, həmçinin əsl təsadüfi ədəd generatorunu, şifrələmə üçün gözlənilməz ədədlər istehsal etmək üsulunu ehtiva edir.

“Rəqabət yaradan massiv əməliyyat metodu, yaddaşda hesablamaya əsaslanan entropiya çıxarma sxemi və lazımsız qalıq say sisteminə əsaslanan kodlaşdırma sxemini ehtiva edən arxitekturamız aşağı xəta dərəcəsi hesablamasına, fiziki klonlana bilməyən funksiyaya və həqiqi təsadüfi ədədlərin eyni memristor diapazonunda və periferik tədqiqatçılarda həyata keçirilməsinə imkan verir.”

“Bu memristor əsaslı federativ öyrənmənin funksionallığını göstərmək üçün, dörd iştirakçının sepsisin proqnozlaşdırılması üçün 482 çəkisi olan iki qatlı uzun qısamüddətli yaddaş şəbəkəsini birgə məşq etdiyi bir nümunə araşdırması apardıq.”

Yaddaşda hesablama çipinin potensialını qiymətləndirmək üçün tədqiqatçılar ondan dörd insan iştirakçısı tərəfindən ardıcıl məlumatlara, mətnlərə və ya tibbi qeydlərə əsaslanaraq proqnozlar vermək üçün tez-tez istifadə olunan dərin öyrənmə texnikası olan uzun qısamüddətli yaddaş şəbəkəsinin kollektiv təlimini təmin etmək üçün istifadə ediblər. Dörd iştirakçı xəstələrin sağlamlıq məlumatlarına əsaslanaraq, ciddi infeksiyalardan yaranan ciddi və potensial ölümcül tibbi vəziyyət olan sepsisi proqnozlaşdırmaq üçün bu şəbəkəni birgə məşq etdi.

“128 kb-lıq memristor massivində sınaq dəqiqliyi proqram təminatının mərkəzləşdirilmiş öyrənilməsi ilə əldə ediləndən cəmi 0,12% aşağıdır”, – müəlliflər yazır. “Bizim yanaşmamız həm də adi rəqəmsal federasiyalı öyrənmə ilə müqayisədə enerji və vaxt sərfiyyatını azaldır.”

Ümumilikdə, bu son tədqiqatın nəticələri federasiya edilmiş öyrənmə tətbiqlərinin səmərəliliyini və məxfiliyini artırmaq üçün memristor əsaslı kompüter-yaddaş arxitekturasının potensialını vurğulayır. Gələcəkdə Li, Gao və onların həmkarları tərəfindən hazırlanmış çip daha da təkmilləşdirilə və digər dərin öyrənmə alqoritmlərinin müxtəlif real dünya tapşırıqları üzrə birgə təlimi üçün istifadə oluna bilər.

Müəllifimiz İnqrid Fadelli tərəfindən sizin üçün yazılmış , Liza Lok tərəfindən redaktə edilmiş və Robert Eqan tərəfindən yoxlanılmış və nəzərdən keçirilmiş bu məqalə diqqətli insan əməyinin nəticəsidir. Müstəqil elmi jurnalistikanı yaşatmaq üçün sizin kimi oxuculara güvənirik. Bu hesabat sizin üçün əhəmiyyət kəsb edirsə, lütfən, ianə (xüsusilə aylıq) nəzərdən keçirin. Siz təşəkkür olaraq reklamsız hesab əldə edəcəksiniz .

Ətraflı məlumat: Xueqi Li və digərləri, In situ fiziki klonlana bilməyən funksiyası və həqiqi təsadüfi ədəd generatoru olan memristor hesablama yaddaş çipindən istifadə edərək Federativ öyrənmə, Nature Electronics (2025). DOI: 10.1038/s41928-025-01390-6

Jurnal məlumatı: Nature Electronics 

© 2025 Science X Network