Çin'in Analog Yapay Zekâ Çipi İşlemleri 12 Kat Hızlandırıyor; Daha Büyük Kazanımlar Öngörülüyor

12 dakikalık okuma
Çin'in Analog Yapay Zekâ Çipi İşlemleri 12 Kat Hızlandırıyor; Daha Büyük Kazanımlar Öngörülüyor

Pekin Üniversitesi analog hesaplamayı pratik yapay zekâ görevlerine taşıyor

Pekin Üniversitesi araştırmacıları, öneri sistemlerini gelişmiş dijital işlemcilerden 12 kat daha hızlı eğitirken enerjinin yalnızca iki yüzde birini kullanan bir analog hesaplama çipini tanıttı. 28 Ocak 2026 haftasında Nature Communications'ta yayımlanan çalışmada, Netflix ve Yahoo'nun kullandığı ölçekteki veri kümeleriyle karşılaştırılabilir iş yükleri test edildi.

İçindekiler
  1. Pekin Üniversitesi analog hesaplamayı pratik yapay zekâ görevlerine taşıyor
  2. Elektrik sinyalleri ikili talimat dizilerinin yerini nasıl alıyor?
  3. Hassasiyet sorununu iki devre çözüyor
  4. Eski bir hesaplama fikri modern bir uygulama kazanıyor
  5. Öneri sistemleri ve görüntüler çipi gerçek görevlerde sınıyor
  6. Kablosuz testler 6G uygulamalarına işaret ediyor
  7. Enerji tasarrufu yapay zekâ altyapısı için neden önemli?
  8. Çin'in çip kısıtlamaları ve üretim konusu
  9. Daha büyük matrisler ve hibrit işlemciler sıradaki zorluk
  10. Özet

Sonuçlar, teknolojiyi temel matematik gösterimlerinin ötesine taşıyarak kişiselleştirilmiş önerilere ve görüntü işlemeye ulaştırıyor. Çip, bilgilerin saklandığı yerde hesaplama yapmak için dirençli rastgele erişimli bellek (RRAM) kullanıyor; böylece ayrı bellek ve işlem birimleri arasındaki veri aktarımı azalıyor.

Çalışmanın başyazarı ve Pekin Üniversitesi yardımcı doçenti Sun Zhong, pratik gösterimlerin analog hesaplamada yeni bir ilerleme olduğunu belirtti:

Bu, analog hesaplamanın sınırını bir adım daha ileri taşıyor.

Sonuçlar, ekibin analog makineleri uzun süredir kısıtlayan hassasiyet sorununu çözdüğünü açıkladığı ekim ayındaki duyurunun ardından geldi. O dönemde araştırmacılar, Nvidia'nın H100 grafik işlem birimi gibi önde gelen dijital işlemcilere kıyasla 1.000 kata varan işlem hızı ve 100 kat daha yüksek enerji verimliliği öngörmüştü.

Pratik öneri sistemi testlerinde hız artışı 12 kat olarak ölçülürken enerji tüketimi, dijital karşılaştırmanın iki yüzde birine indi. Daha yüksek kazanım öngörüsü, çipin tasarımının temelindeki matematiksel işlemler olan belirli matris hesaplamalarıyla ilgili. Çipin mevcut işlevi, bu işlemlere yönelik uzmanlaşmış bir işlemci olmak.

Çin'in gelişmiş ithal işlemcilere erişim kısıtlamaları, araştırmayı daha da önemli kılıyor. Yapay zekâ altyapısının artan elektrik talebi de öyle: Bazı veri merkezleri şimdiden küçük şehirlerle karşılaştırılabilir ölçekte elektrik tüketiyor; tek bir büyük dil modelini eğitmek ise megavatsaatlerce elektrik gerektirebiliyor.

Reklam

Elektrik sinyalleri ikili talimat dizilerinin yerini nasıl alıyor?

Geleneksel dijital bilgisayarlar bilgiyi sıfır ve birlerle temsil eder. Analog bilgisayarlar ise elektrik akımı gibi sürekli fiziksel büyüklüklerle çalışır. Basit bir karşılaştırma olarak ışık anahtarı düşünülebilir: Dijital çalışma, açık ya da kapalı olan bir anahtara; analog çalışma ise farklı ayarlar arasında geçiş yapabilen bir dimmere benzer.

Pekin Üniversitesi'nin çipi, devrelerinin fiziksel özelliklerinden yararlanarak değişen elektrik sinyalleriyle hesaplama yapıyor. Her hesaplamayı uzun bir ikili işlem dizisine bölmek yerine, bellek dizileri içinde sayı gruplarını paralel olarak işleyebiliyor.

RRAM hücreleri, elektrotlar arasındaki elektrik direncini değiştirerek bilgi saklıyor. Direnç, akımın bir bileşenden ne kadar kolay geçtiğini belirliyor. Bu hücreler, iç dirençlerindeki değişimler sayesinde önceki akım akışını hatırlayan bileşenler olan memristör işlevi görüyor.

Dolayısıyla aynı fiziksel konum hem bilgiyi saklayabiliyor hem de hesaplamaya katılabiliyor. Geleneksel bilgisayarlar, verileri bellek ile işlemciler arasında veri yolu adı verilen bağlantılardan tekrar tekrar aktarıyor. Bu aktarımlar enerji tüketiyor ve işlemcinin ihtiyaç duyduğu bilgiye ne kadar hızlı ulaşabileceğini sınırlayabiliyor.

Matris işlemleri bu yaklaşıma özellikle uygun. Matris, sayılardan oluşan bir tablodur; bu tablolarla yapılan hesaplamalar yapay zekânın, makine öğreniminin ve kablosuz iletişimin temelini oluşturur. Sinir ağı eğitimi ve gelecekteki 6G ağları için sinyal işleme de bu tür hesaplamalara dayanıyor.

Dijital işlemciler matris hesaplamalarını çok sayıda ikili işleme bölüyor. Analog çip, her hesaplamayı ikili koda dönüştürmeden ilgili matematiksel işlemleri doğrudan bellek devreleri üzerinden gerçekleştiriyor. Bu mimari değişiklik, yarı iletken bileşenlerin atom ölçeğine yaklaşması ve üretim teknolojilerindeki ilerlemenin zorlaşmasıyla daha yüksek performansa ulaşmanın bir yolunu sunuyor.

Hassasiyet sorununu iki devre çözüyor

Analog hesaplama, güvenilir hassasiyet sağlamada tarihsel olarak zorlandı. Girişim ve elektriksel gürültü sinyalleri değiştirebiliyor; bu da karmaşık hesaplamalarda sorun yaratan hatalara yol açıyor. Dijital sistemler, sayısal biçimleri içinde kesin sonuçlar elde etmek için adım adım ilerleyen algoritmalar kullanıyor.

Sun, doğruluk ve daha büyük problemleri çözebilme becerisinin teknolojinin karşı karşıya olduğu temel zorluk olduğunu belirtti:

Hassasiyet, uzun zamandır analog hesaplamanın önündeki temel darboğaz. Modern hesaplama görevlerinde analog hesaplamanın doğuştan gelen avantajlarından yararlanabilmek için hem yüksek hassasiyetin hem de ölçeklenebilirliğin nasıl sağlanacağı, küresel bilim camiasını yüzyıldır uğraştıran bir sorun.

Pekin Üniversitesi'nin tasarımı, işi iki devre arasında paylaştırıyor. İlk devre hızlı ve yaklaşık bir sonuç üretiyor. İkinci devre ise bu sonucu tekrar tekrar iyileştirerek analog hesaplamanın hızını, 32 bit ile temsil edilen kayan noktalı sayılarla yapılan dijital hesaplamaya benzer bir doğrulukla birleştiriyor.

Reklam

İlk devrenin ürettiği sonuçlarda hata yaklaşık yüzde 1. İkinci devrede yapılan üç iyileştirme döngüsünün ardından hata, standart dijital işlemcilerle karşılaştırılabilir düzeye iniyor. Sun, yöntemin geleneksel analog hassasiyetini beş büyüklük mertebesi, yani yaklaşık 100.000 kat artırdığını söyledi.

Araştırmacılar yaklaşımı, 16'ya 16 boyutlarında gerçek değerli sayı tabloları içeren matris tersleme problemlerini çözerek gösterdi ve 24 bit ile temsil edilen sabit nokta hassasiyetine ulaştı. Matris tersleme, bir dizi sayısal ilişkiyi geriye doğru izlemek ve bağlantılı denklemleri çözmek için kullanılan matematiksel bir işlemdir.

Sabit nokta ve kayan nokta, sayıları sınırlı sayıda bit kullanarak temsil etme yöntemleridir. Sabit nokta sayısal ölçeği sabit bir konumda tutar; kayan nokta ise daha geniş bir değer aralığının temsil edilebilmesi için ölçeğin hareket etmesine izin verir. Her iki gösterim de çipin ulaştığı doğruluğu tanımlamaya yardımcı olur.

Eski bir hesaplama fikri modern bir uygulama kazanıyor

Analog hesaplama, dijital teknolojiden yüzyıllar öncesine uzanıyor. Yaklaşık 2.000 yıl önce yapılmış bir Yunan astronomi hesaplayıcısı olan Antikythera düzeneği, gök cisimlerinin konumlarını tahmin etmek için birbirine geçen dişliler kullanıyordu. Hesaplamaları elektronik ikili talimatlardan değil, fiziksel parçaların hareketinden doğuyordu.

1936'da inşa edilen Sovyet su integratörü, matematiksel denklemleri çözmek için borularda hareket eden sıvıyı kullanıyordu. Yeni çipteki elektrik sinyalleri gibi suyun hareketi de hesaplamada kullanılan büyüklükleri temsil ediyordu.

Gürültü ve analog sistemleri ölçeklendirmenin güçlükleri, dijital hesaplama olgunlaştıkça bu makinelerin geri plana itilmesine yol açtı. Yeni araştırma, hesaplama için fiziksel davranışlardan yararlanma fikrine dönüyor; ancak bunu modern dirençli bellek ve hataları düzeltmek üzere tasarlanmış bir mimariyle uyguluyor.

Geliştirme süreci, doğruluk iddiasından pratik gösterimlere uzandı:

  • Yaklaşık 2.000 yıl önce Antikythera düzeneği, astronomi hesaplamaları için dişliler kullandı.
  • 1936'da Sovyet su integratörü, denklemleri çözmek için akan sudan yararlandı.
  • Ekim ayında Pekin Üniversitesi ekibi, hassasiyet sorununa yönelik yaklaşımını duyurdu ve hızda 1.000 kata, enerji verimliliğinde 100 kata varan kazanımlar öngördü.
  • 28 Ocak 2026 haftasında Nature Communications'ta yayımlanan çalışma, öneri sistemi eğitimini, görüntü işlemeyi ve kablosuz sinyal uygulamalarını gösterdi.

Modern katkı; dirençli bellek, paralel hesaplama ve tekrarlanan iyileştirme unsurlarının bir araya getirilmesi. Bu unsurlar, geçmişteki makinelerle ilişkilendirilen fiziksel bir hesaplama yönteminin günümüz yapay zekâsında kullanılan sayısal görevleri yerine getirmesini sağlıyor.

Reklam

Öneri sistemleri ve görüntüler çipi gerçek görevlerde sınıyor

Öneri sistemleri, çipin yeteneklerini sınamak için pratik bir test sundu. Araştırmacılar, Netflix ve Yahoo'nun kullandığı ölçekle karşılaştırılabilir veri kümeleriyle sistemleri eğiterek tasarımın basit matematik karşılaştırmalarının ötesindeki işleri yapabildiğini gösterdi.

Yayın hizmetleri, sosyal medya platformları ve çevrimiçi mağazalar, kullanıcı etkinliklerini önerilere dönüştürmek için algoritmalar kullanıyor. Bu hizmetlerde algoritmalar milyarlarca etkileşimi işliyor. Bu işlerin önemli bir bölümü kullanıcılar, ürünler ve önceki tercihler arasındaki sayısal ilişkileri bulmayı içeriyor.

Bildirilen 12 kat hız artışı ve dijital karşılaştırmanın iki yüzde biri düzeyindeki enerji tüketimi, bu uygulamayı tasarım açısından önemli kılıyor. Öneri sistemi eğitimi, çipin matris işlemlerindeki güçlü yanlarının tanıdık bir hesaplama görevinde kullanılabileceği bir ortam sunuyor.

Görüntü sıkıştırma da bir başka test oldu. Sistem, depolama gereksinimini yarıya indirirken görsel verileri tam dijital hassasiyetteki hesaplamaya neredeyse eşdeğer kalitede yeniden oluşturdu. Sıkıştırma dosyaları küçültür; yeniden oluşturma ise bu küçük gösterimi tekrar görüntüye dönüştürür.

Daha küçük görüntü dosyaları hem depolama ihtiyacını hem de ağ üzerinden gönderilen veri miktarını azaltabilir. Bu gereksinimler, diğer kullanım alanlarının yanı sıra video yayıncılığı ve tıbbi görüntüleme için de önem taşıyor. Araştırmacıların gösteriminde daha az depolama, tam hassasiyetli dijital sonuçlara yakın görüntü kalitesiyle bir araya geldi.

Uygulamalar, doğruluğun neden önemli olduğunu da ortaya koyuyor. Hatalar önerileri ya da yeniden oluşturulan görüntüleri kullanılamaz hâle getiriyorsa hızlı bir matematiksel sonucun değeri sınırlı kalır. İki devreli yaklaşım, bu iş yüklerinin gerektirdiği hassasiyeti sağlarken analog hesaplamanın verimliliğini korumayı amaçlıyor.

Kablosuz testler 6G uygulamalarına işaret ediyor

Çip, çok sayıda anten kullanan bir kablosuz iletişim teknolojisi olan çoklu girişli çoklu çıkışlı (MIMO) büyük ölçekli sistemlerdeki sinyalleri de algıladı. Çok sayıda antenden gelen sinyalleri işlemek, iletişimleri birbirinden ayırmak ve yorumlamak için önemli ölçüde matematiksel hesaplama gerektiriyor.

Bu testlerde cihaz, yaklaşık 100 kat daha az enerji kullanırken dijital işlemcilerin performansına ulaştı. Bu sonuç, öneri sistemi eğitimi ve görüntü sıkıştırmanın yanı sıra telekomünikasyonu da olası uygulamalar arasında ayrı bir yere koyuyor.

Geleceğin 6G baz istasyonlarının aynı anda yüzlerce anten elemanını yönetmesi bekleniyor. Mobil cihazlarla bağlantıyı sürdürebilmek için büyük miktarda sinyal verisini gerçek zamanlı işlemeleri gerekiyor. Bu bileşim; işlem hızı, elektrik tüketimi ve yanıtın iletilmesi için tanınan süre üzerinde baskı oluşturuyor.

Reklam

Bu sistemler için öngörülen hesaplama gereksinimleri, özellikle uzak hücresel baz istasyonlarının gecikme sınırları ve güç bütçeleri dahilinde, mevcut dijital sinyal işlemcilerinin kapasitesini aşıyor. Gerekli matris işlemlerini daha az enerjiyle gerçekleştiren bir işlemci, bu kısıtların aşılmasına yardımcı olabilir.

Kablosuz altyapı, enerji tasarrufunun büyük veri merkezleri dışında da neden önemli olduğunu gösteriyor. Ekipmanlar, soğutma kapasitesinin ya da kullanılabilir elektriğin sınırlı olduğu yerlerde çalışabiliyor. İletişim gösterimi, verimliliğin kullanılabilecek donanımı doğrudan etkilediği ortamlarda çip için olası bir kullanım alanı sunuyor.

Enerji tasarrufu yapay zekâ altyapısı için neden önemli?

Büyük dil modellerinin eğitimi, binlerce gelişmiş grafik kartı üzerinde haftalarca sürebiliyor. Bu çalışmalar megavatsaatlerce elektrik tüketirken dünya genelindeki veri merkezleri birlikte, bazı gelişmiş ülkelerden daha fazla enerji kullanıyor.

Çipin öneri sistemi karşılaştırması iki kazanımı bir araya getiriyor: daha hızlı işlem ve görev için daha az enerji tüketimi. Karşılaştırmadaki enerjinin iki yüzde birini kullanmak, bu hesaplamaya harcanan elektrikte büyük bir düşüş anlamına geliyor. Kablosuz testlerde ise dijital karşılaştırmada kullanılan enerjinin yaklaşık yüzde biri düzeyinde, farklı bir sonuç elde edildi.

Bu tasarruflar, çipin hızlandırabildiği iş yüklerinin işletme maliyetlerini ve çevresel etkisini azaltabilir. Veri merkezleri küresel elektrik üretiminin giderek daha büyük bir bölümünü tüketiyor; bu da yapay zekâ geliştirme çalışmalarının enerji maliyetini büyüyen bir endişe hâline getiriyor.

Daha önceki performans öngörüsünde adı geçen Nvidia H100, ChatGPT dahil büyük dil modellerini eğitmekte kullanılan grafik işlemcileri arasında yer alıyor. Saniyedeki işlem sayısında 1.000 kata varan öngörülen kazanım, belirli matris işlemleri için geçerli. Sun, pratik uygulamalardaki kazanımların teorik azami değerlerden daha düşük olabileceği uyarısında bulundu.

Çip matris hesaplamalarını hızlandırıyor; dolayısıyla sağlanacak faydanın miktarı, bir görevin ne kadarının bu tür işlemlerden oluştuğuna bağlı. Uygun matris hesaplamalarının ağırlıkta olduğu bir eğitim süreci önemli ölçüde kazanım sağlayabilir. Çok farklı işlemler gerektiren genel amaçlı bir hesaplama işi ise daha sınırlı fayda görür.

Bu nedenle iş yükünün seçimi, teknolojinin değerini belirleyen temel unsurlardan biri. Enerji avantajı, çipin verimli biçimde gerçekleştirdiği hesaplamalar gereken işlemlerin büyük bir bölümünü oluşturduğunda en fazla işe yarıyor.

Çin'in çip kısıtlamaları ve üretim konusu

Çin, gelişmiş Nvidia GPU'larına ve diğer güçlü dijital işlemcilere erişimi sınırlayan ihracat kısıtlamalarıyla karşı karşıya. Pekin Üniversitesi'nin geliştirmesi, yapay zekâ eğitimi ve çıkarımında, yani eğitilmiş bir modelin sonuç üretmesi sürecinde kullanılan belirli hesaplamalar için ülke içinde geliştirilen bir alternatif sunuyor.

Reklam

Çip, genel amaçlı bir grafik işlemcinin gerçekleştirdiği tüm işlem yelpazesi yerine matris hesaplamalarında uzmanlaşıyor. Bu nedenle yapay zekâ donanımlarındaki olası yeri, belirli görevler için verimli bir seçenek olmak.

King's College London'da araştırmacı olan James Millen, dijital bilgisayarları her şeyi hesaplayabilen evrensel makineler olarak tanımlarken her şeyi mutlaka verimli ya da hızlı hesaplamadıklarını da belirtti. Belirli görevlere uyarlanmış analog makineler, o uygulamalarda çok yüksek hız ve verimlilik sağlayabiliyor.

Millen'in açıklaması, araştırmayı yapay zekânın artan elektrik gereksinimleriyle ilişkilendiriyor. Uzmanlaşmış bir makine, belirli hesaplamaları daha az enerjiyle gerçekleştirmek için farklı bir fiziksel yaklaşımdan yararlanabilir; dijital donanım ise diğer işler için gereken esnekliği korur.

Araştırmacılar çipleri, ticari dökümhanelerin üretim imkânlarını ve standart yarı iletken üretim tekniklerini kullanarak üretti. Dolayısıyla üretimin, sıra dışı malzemeler, tamamen yeni üretim tesisleri ya da yeni altyapıya milyarlarca dolarlık yatırım gerektirmeden mevcut tedarik zincirleri üzerinden büyütülmesi mümkün olabilir.

Bu üretim yaklaşımı, projeye laboratuvarın ötesinde pratik bir temel sağlıyor. Ancak ticari kullanım için daha büyük ve daha bütünleşik cihazlar dahil ek mühendislik çalışmaları gerekiyor. Bir sonraki hedefler, daha karmaşık problemleri daha yüksek hızda çözebilen tam entegre çipler geliştirmek.

Daha büyük matrisler ve hibrit işlemciler sıradaki zorluk

Ölçeklenebilirlik önemli bir zorluk olmaya devam ediyor. Dijital bilgisayarlar büyük bir problemi daha küçük parçalara ayırıp sırayla işleyebiliyor. Analog sistemlerin ise daha büyük matrisleri çözebilmek için fiziksel olarak daha büyük devrelere ihtiyacı var; bu nedenle hesaplama kapasitesini artırmak bir mühendislik sorununa dönüşüyor.

Gösterilen 16'ya 16 matris hesaplamaları, günümüz büyük dil modelleri için belirtilen, bir milyona bir milyon değişkenlik tablolardan çok daha küçük. Bu gereksinimleri karşılayabilecek cihazlar geliştirmek önemli ilerlemeler gerektiriyor.

Hibrit mimariler olası bir yön sunuyor. Gelecekteki bir grafik işlemci, doğrusal cebir işlemleri ve ikinci mertebe optimizasyon yöntemleri dahil yapay zekâ eğitiminin belirli aşamaları için analog devreler içerebilir; genel amaçlı hesaplama için dijital çekirdekleri de koruyabilir.

İkinci mertebe optimizasyon, model hatasının nasıl değiştiğine ilişkin bilgileri kullanarak eğitim ayarlamalarına yön verir. Bu, özel analog donanıma atanabilecek matematiksel işlerden bir örnek. Bu tür devrelerin ticari grafik işlemcilerine entegre edilmesi için daha yıllar var ve herhangi bir ürün çıkış tarihi açıklanmadı.

Reklam

Uç bilişim de olası bir uygulama alanı. Otonom araçlar, endüstriyel robotlar ve artırılmış gerçeklik gözlükleri, batarya ve ısı sınırları dahilinde çalışırken yüksek işlem gücüne ihtiyaç duyuyor. Mevcut çözümler verilerin bulut sunucularına gönderilmesine dayanabiliyor; bu da gecikmelere ve ağ bağlantısına bağımlılığa yol açıyor.

Daha küçük analog çipler, bu tür cihazlarda karmaşık yapay zekâ çıkarımını daha az enerjiyle doğrudan gerçekleştirebilir. Bu, özellikle enerji tüketiminin başlıca kısıt olduğu durumlarda pil ömrünü uzatabilir ve cihazların daha bağımsız çalışmasını sağlayabilir.

Ekibin bir sonraki adımları, daha karmaşık problemleri daha hızlı çözebilen, daha büyük ve tam entegre çipler geliştirmek. Başarı, daha verimli yapay zekâ eğitimini destekleyebilir, geleceğin 6G iletişimine katkıda bulunabilir ve veri merkezlerindeki uygun görevler için gereken elektriği azaltabilir. Şimdilik elde edilen sonuç, analog verimliliği çeşitli pratik uygulamalar için yeterli hassasiyetle birleştiren çalışan bir gösterim.

Özet

  • Pekin Üniversitesi araştırmacıları, öneri sistemi eğitimini gelişmiş dijital işlemcilerden 12 kat daha hızlı gerçekleştirirken enerjinin iki yüzde birini kullanan bir sistemi gösterdi.
  • Hızda 1.000 kata, enerji verimliliğinde 100 kata varan önceki öngörü, belirli matris işlemleri için geçerli.
  • İki devre yaklaşık sonuçlar üretiyor ve bunları iyileştirerek geleneksel analog hassasiyetini yaklaşık 100.000 kat artırıyor.
  • Ekip, 24 bit ile temsil edilen sabit nokta hassasiyetinde 16'ya 16 sayı tabloları için matris tersleme işlemini gösterdi.
  • Görüntülerin yeniden oluşturulmasında, depolama gereksinimi yarıya inerken tam hassasiyetli dijital hesaplamaya yakın kalite elde edildi.
  • Kablosuz sinyal testlerinde dijital performansa, yaklaşık 100 kat daha az enerji kullanılarak ulaşıldı.
  • Çipler ticari yarı iletken üretim süreçleriyle üretildi; ancak daha büyük cihazlar ve pratik sistemlere entegrasyon için geliştirme çalışmalarının sürmesi gerekiyor.
  • Çin'in gelişmiş ithal işlemcilere erişim kısıtlamaları ve yapay zekânın artan elektrik talebi karşısında teknoloji, yapay zekâ ve iletişim için uzmanlaşmış bir seçenek sunuyor.
Bu haberi paylaş

Bunlar da ilginizi çekebilir