دانشمندان در دانشگاه تگزاس کامپیوتر نورومورفیک (شبیه مغز انسان) ساختهاند که میتواند هوش مصنوعی خودآموز را به گوشیها و دستگاههای هوشمند بیاورد
به گزارش تکناک، هوش مصنوعی خودآموز (Self-learning AI) نوعی از هوش مصنوعی است که بدون نیاز به دادههای برچسبخورده یا آموزش مستقیم انسان، خودش از تجربهها و الگوهای مشاهدهشده یاد میگیرد.
در این نوع سامانهها، الگوریتمها میتوانند با تحلیل دادههای ورودی، روابط میان آنها را کشف کنند، پیشبینی انجام دهند و عملکرد خود را به مرور زمان بهبود دهند — درست مانند مغز انسان که از تکرار و تجربه یاد میگیرد.
به بیان سادهتر، هوش مصنوعی خودآموز میتواند خودش تصمیم بگیرد چه چیزی را یاد بگیرد، چطور یاد بگیرد و چگونه آموختهها را در موقعیتهای جدید به کار ببرد، بدون آنکه مدام از انسان دستور بگیرد یا به دادههای آموزشی عظیم نیاز داشته باشد.
این کامپیوتر نورومورفیک خودآموز که توسط گروهی از مهندسان در دانشگاه تگزاس در دالاس توسعه یافته، نمونهای کوچک از یک کامپیوتر نورومورفیک است که همانند مغز انسان قادر به یادگیری و تصمیمگیری مستقل است.
این کامپیوتر جدید میتواند الگوها را تشخیص دهد و پیشبینیهایی انجام دهد، بدون آنکه نیاز به حجم عظیمی از دادههای آموزشی یا محاسبات سنگین داشته باشد. ویژگی مهم این سیستم آن است که برخلاف معماری سنتی کامپیوترها، در آن حافظه و پردازنده از هم جدا نیستند و دادهها نیازی به جابهجایی مداوم بین این دو بخش ندارند. همین عامل باعث میشود مصرف انرژی بهطرز چشمگیری کاهش یابد و کارایی به سطحی نزدیک به مغز انسان برسد.
در این پروژه از نوعی فناوری به نام «اتصالات تونلی مغناطیسی» (MTJ) استفاده شده است. این اتصالات از دو لایه مغناطیسی تشکیل شدهاند که میان آنها یک لایه عایق قرار دارد. بسته به جهت قرارگیری لایههای مغناطیسی، عبور الکترونها از میان این ساختار آسان یا دشوار میشود.
پژوهشگران با اتصال مجموعهای از این واحدها، شبکهای ساختند که هنگام عبور سیگنالها، میزان رسانایی خود را تغییر میدهد. این تغییرات باعث میشود مسیرهای قویتر تقویت و مسیرهای ضعیفتر تضعیف شوند، مشابه همان فرآیندی که در مغز انسان هنگام یادگیری رخ میدهد.
بیشتر بخوانید: بزرگترین کامپیوتر نورومورفیک جهان رونمایی شد
پایه علمی این طرح بر مفهومی از علوم اعصاب به نام «قانون هب» استوار است. بر اساس این قانون، زمانی که دو نورون همزمان فعال میشوند، پیوند میان آنها قویتر میگردد. این اصل در طراحی الگوریتم یادگیری کامپیوتر جدید نیز به کار گرفته شده تا دستگاه بتواند بهصورت خودکار مسیرهای ارتباطی مؤثرتر را تقویت کند.
مزیت مهم دیگر این فناوری، پایداری در ذخیره دادههاست. رفتار دوحالته (باینری) MTJها باعث میشود اطلاعات به شکل مطمئن و با دوام در سیستم باقی بمانند، موضوعی که همواره یکی از چالشهای اصلی در طراحی کامپیوترهای نورومورفیک بوده است.
پژوهشگران دانشگاه تگزاس قصد دارند نسخه بزرگتری از این نمونه را توسعه دهند تا بتواند وظایف یادگیری پیچیدهتری را انجام دهد. به گفته آنان، چنین سامانهای میتواند دادهها را در لحظه پردازش کند و تنها کسری از انرژی مورد نیاز تراشههای فعلی را مصرف نماید.
اگر این فناوری در مقیاس گسترده به کار گرفته شود، میتواند تحول بزرگی در صنعت هوش مصنوعی ایجاد کند. در آینده ممکن است گوشیهای هوشمند، ساعتهای پوشیدنی و سایر دستگاههای لبهای بدون نیاز به اتصال دائم به فضای ابری، مدلهای پیشرفته هوش مصنوعی را بهصورت محلی اجرا کنند.
به باور متخصصان، چنین سیستمی نهتنها مصرف انرژی در مراکز داده جهانی را کاهش میدهد، بلکه میتواند به دستگاههای هوشمند توانایی یادگیری، تفکر و سازگاری واقعی ببخشد. این دستاورد گامی اساسی در جهت تحقق هوش مصنوعی خودآموز است؛ هوشی که بدون دخالت انسان میتواند رشد کند و از تجربههای خود بیاموزد.
