TLDR
Komputer neuromorfik dapat belajar dengan lebih efisien dibandingkan sistem AI konvensional. Penggunaan MTJ memungkinkan penyimpanan data yang lebih handal dalam komputer yang terinspirasi oleh otak. Teknologi ini berpotensi mengurangi ketergantungan pada server cloud dan menghemat energi bagi perangkat pintar. Para insinyur di The University of Texas at Dallas menciptakan prototipe komputer kecil yang belajar seperti otak manusia, lebih efisien dalam mengenali pola dan membuat prediksi. Sistem ini membutuhkan lebih sedikit komputasi saat pelatihan dibandingkan AI tradisional yang memisahkan memori dan proses, sehingga mengurangi energi yang dipakai.Prototipe ini memakai magnetic tunnel junctions (MTJs), perangkat nano yang memungkinkan informasi disimpan dan diproses dalam satu tempat seperti sinaps otak. MTJs bisa mengubah kekuatan sambungan antar neuron buatan secara dinamis, mengikuti prinsip Hebb bahwa neuron yang aktif bersamaan akan menguatkan hubungan di antara mereka.Desain neuromorphic ini memungkinkan komputer belajar secara mandiri tanpa perlu menggunakan data besar dalam jumlah banyak, berbeda dengan sistem AI biasa yang sangat bergantung pada dataset berlabel dan konsumsi energi tinggi. Akibatnya, biaya pelatihan model besar yang bisa mencapai ratusan juta dolar dapat dikurangi secara signifikan.Dr. Joseph S. Friedman menjelaskan bahwa target berikutnya adalah memperbesar sistem ini agar bisa melakukan pembelajaran yang lebih kompleks dengan konsumsi daya sangat rendah. Teknologi ini berpotensi memungkinkan perangkat seperti ponsel dan wearable menjalankan AI canggih secara lokal tanpa selalu harus terhubung ke cloud.Jika berhasil dikembangkan skala besarnya, sistem ini bisa mengurangi kebutuhan pusat data besar yang boros energi sekaligus menghadirkan perangkat pintar yang lebih adaptif dan hemat energi. Hal ini bisa membuka era baru komputasi pintar yang lebih mirip cara kerja otak manusia di dunia nyata.
