فهرست مطالب
گروهی از پژوهشگران در دانشکده مهندسی ویتربی و دانشکده محاسبات پیشرفته دانشگاه کالیفرنیای جنوبی (USC) موفق به ساخت نورونهای مصنوعی شدهاند که به صورت فیزیکی رفتار الکتروشیمیایی سلولهای واقعی مغز را بازآفرینی میکنند.
به گزارش تکناک، این دستاورد، نقطه عطفی مهم در مسیر توسعه سختافزارهایی است که با الهام از مغز انسان، کارآمدتر، هوشمندتر و نزدیکتر به ساختار طبیعی مغز عمل میکنند؛ فناوری که میتواند در آینده بنیانی برای تحقق «هوش مصنوعی عمومی» باشد.
برخلاف تراشههای نورومورفیکی که شبیهسازی دیجیتالی فعالیت مغز را انجام میدهند، نورونهای جدید USC از فرایندهای واقعی شیمیایی و الکتریکی برای انجام محاسبات بهره میگیرند؛ یعنی بهجای تقلید صرف از عملکرد مغز، واقعاً مانند سلولهای عصبی زنده کار میکنند. هدایت این پروژه را «جاشوا یانگ»، استاد مهندسی کامپیوتر و برق و مدیر «مرکز برتری در محاسبات نورومورفیک» دانشگاه USC بر عهده دارد. تیم یانگ نوعی نورون مصنوعی نوین بر پایه ساختاری موسوم به «ممریستور پخشی» طراحی کرده است؛ فناوری که بهجای تکیه بر حرکت الکترونها در تراشههای سیلیکونی سنتی، از جابهجایی اتمها برای پردازش دادهها استفاده میکند.
در مغز انسان، ارتباط نورونها از طریق سیگنالهای الکتریکی و شیمیایی صورت میگیرد: سیگنال الکتریکی هنگام رسیدن به انتهای نورون در ناحیه سیناپسی به پیام شیمیایی تبدیل میشود تا اطلاعات را به نورون بعدی منتقل کند و سپس بار دیگر به حالت الکتریکی بازمیگردد. اکنون تیم یانگ توانسته است این چرخه پیچیده را با بهرهگیری از یونهای نقره در اکسید بازسازی کند. یانگ در اینباره گفت: «اگرچه یونهای بهکاررفته در سیناپسها و نورونهای مصنوعی ما دقیقا همان یونهای موجود در مغز انسان نیستند، اما قوانین فیزیکی حاکم بر حرکت و دینامیک رفتاری آنها شباهت چشمگیری با واقعیت زیستی دارد.»
وی بیان کرد: «نقره بهراحتی در ماده پخش میشود و پویایی لازم را برای تقلید از سامانههای زیستی در اختیار ما قرار میدهد؛ بهگونهای که میتوانیم با ساختاری بسیار ساده، عملکرد نورونهای واقعی را بازسازی کنیم.» این طراحی نوآورانه که «ممریستور پخشی» نام گرفته است، به هر نورون مصنوعی اجازه میدهد تنها فضای یک ترانزیستور را اشغال کند؛ در حالیکه در معماریهای مرسوم، هر نورون به دهها یا حتی صدها ترانزیستور نیاز دارد. یانگ در توضیح انتخاب این فناوری گفت: «ما از پویایی یونها استفاده کردیم، چرا که دقیقا همین فرایند در مغز انسان رخ میدهد و این بیدلیل نیست. مغز انسان حاصل میلیونها سال تکامل است و همچنان کارآمدترین و هوشمندترین موتور طبیعی شناختهشده به حساب میآید.»
01
از 02کارایی انرژی در نورونهای مصنوعی USC
یانگ عنوان کرد که چالش اصلی در سیستمهای محاسباتی امروز کمبود قدرت نیست، بلکه ناکارآمدی است. وی توضیح داد: «مشکل در این نیست که تراشهها یا رایانههای ما توان پردازش کافی ندارند، بلکه در این است که کارایی لازم را ندارند و انرژی بیش از حد مصرف میکنند.» به گفته او، رایانههای مدرن برای پردازش حجم عظیمی از دادهها طراحی شدهاند، نه برای یادگیری از چند نمونه محدود؛ روشی که مغز انسان با کمترین دادهها به آن دست مییابد.
یانگ بیان کرد: «یکی از راههای ارتقای همزمان بازده انرژی و توان یادگیری، ساخت سیستمهای مصنوعی بر پایه اصولی است که در مغز انسان مشاهده میشود.» او باور دارد که یونها میتوانند کلید این تحول باشند. وی تصریح کرد: «یونها در مقایسه با الکترونها، رسانای مناسبتری برای بازآفرینی منطق عملکرد مغز هستند. الکترونها سبک و ناپایدار هستند و همین ویژگی باعث میشود که محاسبات مبتنی بر آنها بیشتر به یادگیری نرمافزاری متکی باشد تا به یادگیری واقعی در سطح سختافزار وابسته باشد.»
02
از 02حرکت به سوی هوش مصنوعی عمومی
مغز انسان قادر است تنها پس از چند تجربه محدود، الگوها را تشخیص دهد و برای این کار تنها حدود ۲۰ وات انرژی مصرف میکند؛ در حالی که سامانههای هوش مصنوعی و ابررایانههای امروزی برای انجام وظایفی مشابه، نیازمند انرژی بسیار بیشتری هستند. تیم یانگ امیدوار است با استفاده از نورونهای مبتنی بر حرکت اتمها، این شکاف میان هوش مصنوعی و هوش طبیعی از میان برداشته شود. یانگ بیان کرد: «در این فناوری تازه، هر نورون تنها فضایی معادل یک ترانزیستور اشغال میکند، که گامی کوچک در اندازه، اما بزرگ در مسیر رسیدن به هوش مصنوعی عمومی است.»
در نمونههای فعلی از نقره استفاده شده است؛ اما یانگ عنوان کرد که این فلز با فرایندهای استاندارد ساخت نیمههادیها سازگار نیست. به همین دلیل، تیم او قصد دارد به سراغ مواد یونی دیگری برود که بتوانند عملکردی مشابه و پایدارتر ارائه دهند.
پس از دستیابی به نورونهای مصنوعی فشرده و توانمند، گام بعدی پژوهشگران دانشگاه USC، ایجاد شبکههایی گسترده از این نورونها و آزمودن میزان شباهت آنها به سازوکار یادگیری مغز انسان است. یانگ تاکید کرد که در جریان این پژوهش، چنین سامانههایی نهتنها میتوانند راه را برای هوش مصنوعی الهامگرفته از مغز هموار کنند، بلکه به دانشمندان در درک دقیقتر از چگونگی کارکرد مغز واقعی نیز یاری خواهند رساند.
نتایج این مطالعه در نشریه علمی Nature Electronics منتشر شده است.
