Source: Unsplash

Pendahuluan

Seiring perkembangan AI dan deep learning yang semakin kuat, muncul tantangan besar terkait konsumsi daya, latensi, dan efisiensi. Neuromorphic computing menjadi salah satu solusi menjanjikan, teknologi yang meniru cara kerja otak manusia, termasuk neuron yang “menyala” hanya saat dibutuhkan untuk menjalankan komputasi secara lebih hemat energi dan respons cepat.

Riset Terkini yang Menguatkan Neuromorphic Computing

  1. Pemrosesan Data Sensor secara Efisien oleh Cornell: Peneliti di Cornell University sedang mengembangkan desain neuromorphic yang mampu memproses data sensor seperti bau (olfactory data) dan masukan sensor lain dalam kondisi dunia nyata (termasuk noise dan input yang tidak teratur) dengan penggunaan daya yang jauh lebih rendah. Model ini memanfaatkan prinsip otak dalam “memfilter” masukan sensor agar hanya bagian penting yang diproses. (https://as.cornell.edu/news/brain-inspired-ai-model-learns-sensory-data-efficiently )
  2. Sensor Fusion pada Loihi‑2: Sebuah studi kasus menggunakan chip neuromorphic Loihi‑2 dari Intel, menunjukkan bahwa dalam tugas penggabungan data dari berbagai sensor (sensor fusion) untuk robotika dan sistem otonom, Loihi‑2 jauh lebih efisien dibanding CPU dan GPU konvensional, dari segi konsumsi daya dan kecepatan proses. (https://arxiv.org/abs/2408.16096 )
  3. Benchmark & Standarisasi: NeuroBench: Komunitas riset neuromorphic mengembangkan NeuroBench, sebuah kerangka benchmark yang memungkinkan membandingkan algoritma dan sistem neuromorphic secara adil, baik dalam setting independen dari hardware maupun yang tergantung hardware. Ini penting agar kita bisa melihat mana rancangan neuromorphic yang benar‑benar efisien dan pratical. (https://www.nature.com/articles/s41467-025-56739-4 )
  4. Sistem Lokalisasi Robot Ultra‑Efisien: Ada proyek lokal robotik yang memakai sistem neuromorphic nyata untuk pelokalisasian (robot localization) yang berjalan secara langsung di perangkat edge, dengan model sangat ringan (parameter kecil) dan penggunaan energi kurang dari 1% dibanding metode konvensional. Contohnya sistem LENS yang digunakan pada robot heksapod. (https://arxiv.org/abs/2408.16754 )

Bagaimana Neuromorphic Bekerja

  • Neuromorphic memakai Spiking Neural Networks (SNNs), dimana neuron tidak aktif secara terus‑menerus, melainkan “menyala” (spike) hanya saat ada stimulus/signifikansi. Ini mengurangi aktivitas listrik & penggunaan sumber daya.
  • Banyak desain yang memakai pendekatan mixed‑signal (analog + digital), sehingga bisa menjaga presisi sambil tetap rendah daya dan latensi.
  • Faktor penting lainnya adalah arsitektur dan co‑design hardware‑software: kode algoritma harus dirancang agar sesuai dengan hardware neuromorphic agar efisiensi bisa maksimal.

Source: Unsplash

Relevansi & Peluang Lokal

  • IoT & Wearable: Perangkat seperti smartwatch, sensor kesehatan, atau perangkat monitor lingkungan bisa memakai neuromorphic computing agar tahan baterai lama dan responsif, terutama di daerah terpencil atau tanpa listrik stabil.
  • Edge Computing Real‑Time: Aplikasi seperti pengenalan objek, respons suara, atau kontrol robotik di lokasi (misalnya pertanian, kebun, inspeksi infrastruktur) bisa sangat terbantu dengan neuromorphic yang bisa “on‑device”.
  • Riset & Pendidikan: Topik penelitian pada proyek akhir atau tesis bisa meliputi: optimasi SNN untuk bahasa lokal, adaptasi algoritma neuromorphic pada hardware murah, atau studi kasus neuromorphic untuk lingkungan ekstrem di Indonesia.

Tantangan yang Perlu Diperhatikan

  • Ketersediaan hardware neuromorphic masih terbatas dan mahal. Banyak chip atau prototipe masih di laboratorium.
  • Gap antara simulasi dan realita (sim2real) besar: sensor fisik, noise, variabilitas lingkungan membuat performa menurun bila tidak di‑tuning dengan data nyata.
  • Kompleksitas pengembangan software/algoritma: pelatihan dan debugging SNN berbeda dari neural network biasa; perlu pemahaman tambahan.
  • Standarisasi dan metrik: sebab tanpa benchmark yang jelas dan umum, sulit membandingkan model neuromorphic mana yang paling cocok atau efisien dalam konteks lokal.

 

Penulis

Stefanus Benhard S.Kom., M.Kom (FDP Scholar)

Referensi

  1. https://as.cornell.edu/news/brain-inspired-ai-model-learns-sensory-data-efficiently
  2. https://arxiv.org/abs/2408.16096
  3. https://www.nature.com/articles/s41467-025-56739-4
  4. https://arxiv.org/abs/2408.16754
  5. https://www.intel.com/content/www/us/en/research/neuromorphic-computing.html