تقلید حلقه‌های ابررسانا از مغز

تحقیقات جدید محققان دانشگاه کالیفرنیا سن دیگو و یو سی ریورساید، روش جدید و امیدوارکننده‌ای را برای ذخیره و انتقال اطلاعات با استفاده از حلقه‌های ابررسانای نامنظم نشان می‌دهد.

به گزارش تکناک، حلقه‌های ابررسانا می‌توانند به رایانه‌ها اجازه دهند تا اطلاعات را به‌طور مؤثرتری حفظ و بازیابی کنند.

کامپیوترها به صورت ارقامی یعنی 0 و 1 کار می‌کنند. محاسبات و فرآیندهای آنها دیجیتال است. حتی خاطرات آنها دیجیتالی است. همه این موارد به منابع انرژی فوق‌العاده‌ای نیاز دارند. هنگامی که به تکامل بعدی محاسبات و توسعه محاسبات نورومورفیک یا مغز مانند نگاه می‌کنیم، این نیازهای انرژی غیرقابل قبول هستند.

برای پیشبرد محاسبات نورومورفیک، برخی از محققان به دنبال بهبودهای آنالوگ هستند. به عبارت دیگر با این کار نه تنها نرم افزار، بلکه سخت افزار نیز پیشرفت می‌کند.

این تحقیقات جدید که در مجموعه مقالات آکادمی ملی علوم آمده است، توانایی حلقه‌های ابررسانا را برای نشان دادن حافظه تداعی ارائه می‌دهد که در انسان به مغز اجازه می‌دهد تا رابطه بین دو مورد نامرتبط را به خاطر بسپارد.

رابرت سی داینز، یکی از نویسندگان این مقاله گفت: امیدوارم آنچه که ما طراحی و شبیه‌سازی کردیم و در حال ساخت آن هستیم، بتواند این نوع پردازش کانونی را سریع انجام دهد.

خلق خاطرات ماندگار

تصور کنید در یک مهمانی هستید و با کسی که مدتی است ندیده‌اید، برخورد می‌کنید. شما نام این شخص را می‌دانید اما نمی‌توانید آن را کاملاً به یاد بیاورید. مغز شما شروع به ریشه‌یابی اطلاعات می‌کند: کجا با این شخص آشنا شدم؟ چگونه به یکدیگر معرفی شدیم؟ اگر خوش شانس باشید، مغز شما مسیری را برای بازیابی آنچه از دست داده بود، پیدا می‌کند. اما گاهی اوقات شما بدشانس هستید.

داینز معتقد است که حافظه کوتاه مدت با تکرار به حافظه بلند مدت منتقل می‌شود. در مورد نام، هر چه بیشتر فرد را ببینید و از نام او استفاده کنید، این اطلاعات به شکلی عمیق‌تر در حافظه شما نوشته می‌شود. به همین دلیل است که ما هنوز آهنگی را از ده سالگی به یاد می‌آوریم، اما نمی‌توانیم به یاد بیاوریم که دیروز ناهار چه خورده‌ایم.

داینز گفت: مغز ما این موهبت قابل توجه تداعی حافظه را دارد که ما واقعا آن را درک نمی‌کنیم. حافظه تداعی می‌تواند از طریق پاسخ‌های احتمالی کار کند زیرا بسیار به هم مرتبط هستند. این مغز رایانه‌ای که ما ساختیم و شبیه‌سازی کردیم بسیار تعاملی نیز هست. اگر سیگنالی را وارد کنید، کل مغز کامپیوتر می‌داند که شما این کار را انجام داده‌اید.

در جریان ماندن

حلقه‌های ابررسانای بی نظم چگونه کار می‌کنند؟ برای کار این حلقه‌ها، به یک ماده ابررسانا نیاز است که در این مورد، محققان از اکسید مس ایتریم باریم (YBCO) استفاده کردند. YBCO که به عنوان یک ابررسانا با دمای بالا شناخته می‌شود، در حدود 90 کلوین (297- فارنهایت) ابررسانا می‌شود که این دما در دنیای فیزیک آنقدرها هم سرد نیست. این دما باعث شد تا اصلاح آن نسبتاً آسان باشد. لایه‌های نازک YBCO (با عرض حدود 10 میکرون) با ترکیبی از میدان‌های مغناطیسی و جریان‌ها دستکاری شدند تا یک کوانتوم شار واحد روی حلقه ایجاد کنند. وقتی جریان حذف شد، کوانتوم شار در حلقه باقی ماند. این حالت را به عنوان یک قطعه اطلاعات یا خاطره در نظر بگیرید.

این یک حلقه است، اما حافظه تداعی و پردازش به حداقل دو قطعه اطلاعات نیاز دارد. برای این کار، داینز از حلقه‌های نامنظم استفاده کرد، به این معنی که حلقه‌ها اندازه‌های متفاوتی داشتند و از الگوهای متفاوت و اساسا تصادفی پیروی می‌کردند.

نقطه اتصال جوزفسو، یا حلقه ضعیف، در هر حلقه به عنوان دروازه‌ای عمل می‌کرد که کوانتای شار می‌توانست از آن عبور کند. به این ترتیب اطلاعات منتقل می‌شود و کانون ساخته می‌شوند.

اگرچه معماری محاسباتی سنتی نه فقط برای پردازش، بلکه برای ذخیره حافظه نیازهای مداوم انرژی بالایی دارد، اما این حلقه‌های ابررسانا در مقیاس یک میلیون برابر کمتر، صرفه‌جویی قابل توجهی در مصرف انرژی نشان می‌دهند. این امر به این دلیل است که حلقه‌ها فقط هنگام انجام وظایف منطقی به قدرت نیاز دارند. خاطرات در مواد ابررسانای فیزیکی ذخیره می‌شوند و تا زمانی که حلقه ابررسانا باقی بماند، می‌توانند برای همیشه در آنجا باقی بمانند.

تعداد مکان‌های حافظه موجود با حلقه‌های بیشتر به‌طور تصاعدی افزایش می‌یابد به این صورت که یک حلقه دارای سه مکان است، اما سه حلقه دارای 27 مکان است. برای این تحقیق، محققان چهار حلقه با 81 مکان ساختند. داینز تمایل داشت تعداد حلقه‌ها و مکان‌های حافظه را گسترش دهد.

وی گفت: ما می‌دانیم که این حلقه‌ها می توانند خاطرات را ذخیره کنند. ما می‌دانیم که حافظه تداعی کار می‌کند. ما فقط نمی‌دانیم که تعداد بیشتر حلقه‌ها چقدر پایدار هستند.

این کار نه تنها برای فیزیکدانان و مهندسان کامپیوتر قابل توجه است بلکه ممکن است برای دانشمندان علوم اعصاب نیز مهم باشد. داینز با یک محقق دیگر به نام ریچارد اتکینسون، به ایجاد یک مدل اصلی از حافظه انسانی به نام مدل اتکینسون-شیفرین پرداخت.

اتکینسون با خوشحالی اظهار کرد: من و باب بحث‌های خوبی داشتیم تا مشخص کنیم که آیا شبکه عصبی مبتنی بر فیزیک او می‌تواند مورد استفاده قرار گیرد یا خیر. سیستم او کاملاً متفاوت از سایر شبکه‌های عصبی مبتنی بر فیزیک پیشنهادی است و به اندازه‌ای غنی است که می‌توان از آن برای توضیح عملکرد سیستم حافظه مغز بر حسب فرآیند فیزیکی اساسی استفاده کرد. این یک چشم انداز بسیار هیجان انگیز است.