نسل جدیدی از تراشه‌ها با الهام از ساختار مغز انسان!

به گزارش مجله خبری نگار/برنا،زهرا وجدانی: در دنیای پرشتاب فناوری، هر روز شاهد ظهور مفاهیم و ابزار‌های نوینی هستیم که شیوه تعامل انسان با ماشین را متحول می‌کنند. یکی از مهم‌ترین این نوآوری‌ها، «واحد‌های پردازش عصبی» یا همان NPU‌ها هستند که به‌تازگی جای خود را در دل گوشی‌های هوشمند، لپ‌تاپ‌ها و سایر دستگاه‌های دیجیتال باز کرده‌اند. این تراشه‌ها که در ساختار خود از الگوی مغز انسان الهام گرفته‌اند، گامی بزرگ به سوی نزدیک‌تر شدن رایانه‌ها به هوش انسانی محسوب می‌شوند.

درحالی‌که پردازنده‌های مرکزی (CPU ها) همچنان ستون فقرات سیستم‌های محاسباتی محسوب می‌شوند، اما در زمینه‌هایی مانند یادگیری ماشین، پردازش تصویر، و تشخیص گفتار، قدرت آنها دیگر کافی نیست. اینجاست که NPU‌ها وارد میدان می‌شوند؛ تراشه‌هایی که برخلاف CPU‌ها به‌جای انجام محاسبات منطقی و ترتیبی، به‌صورت موازی عمل کرده و توانایی شبیه‌سازی عملکرد شبکه‌های عصبی مصنوعی را دارند.

این گزارش نگاهی دقیق و تحلیلی به تاریخچه، عملکرد و اهمیت روزافزون NPU‌ها در دنیای فناوری امروز، از ریشه‌های نظری آن در دهه ۱۹۴۰ تا نقش کلیدی‌شان در گسترش هوش مصنوعی مدرن دارد.

واحد‌های پردازش عصبی؛ گامی انقلابی به سوی پردازش هوشمند

واحد‌های پردازش عصبی یا به‌اختصار NPU ها، دقیقاً چه هستند و چرا چنین نقش مهمی در محاسبات مدرن ایفا می‌کنند؟

از آغاز دوران رایانش، همواره مقایسه‌ای میان ماشین و مغز انسان وجود داشته است. دو تن از بنیان‌گذاران علوم رایانه یعنی «جان فون نویمان» و «آلن تورینگ» نیز چنین نگاهی داشتند. فون نویمان کتابی تحت عنوان «رایانه و مغز» نوشت و تورینگ نیز در سال ۱۹۴۹ جمله مشهوری را بیان کرد: «در نهایت، نمی‌بینم چرا رایانه نتواند در بیشتر حوزه‌ها با هوش انسانی رقابت کند.»

با این حال، مشکل اصلی این مقایسه در آن است که پردازنده‌های سنتی مانند CPU ها، هیچ شباهتی به ساختار مغز انسان ندارند. CPU‌ها ساختار‌هایی بسیار منطقی، عددی و خطی دارند، در حالی‌که مغز انسان بر اساس پردازش موازی، یادگیری و تداعی مفاهیم عمل می‌کند. اینجاست که NPU‌ها وارد صحنه می‌شوند؛ تراشه‌هایی که طراحی آنها با هدف تقلید از ساختار مغز انسان در سطح سخت‌افزاری انجام شده است.

از شبیه‌سازی مغز تا معماری الکترونیکی نرون‌محور

ایده تقلید از مغز انسان در مدار‌های الکترونیکی، پدیده‌ای نوظهور نیست. در حقیقت، مفهوم شبکه‌های عصبی مصنوعی به اواسط دهه ۱۹۴۰ بازمی‌گردد، زمانی که «وارن مک‌کالاک» (عصب‌شناس) و «والتر پیتز» (منطق‌دان) مداری موسوم به «شبکه عصبی» طراحی کردند. این مدار الکترونیکی ساده، اولین تلاشی بود برای الگوبرداری از فرآیند‌های شناختی مغز.

کار پیشگامانه مک‌کالاک موجب شد پژوهش‌های بیشتری در دهه‌های ۱۹۵۰ و ۱۹۶۰ در این حوزه انجام شود. با این حال، سرعت کم پیشرفت در مقایسه با قدرت روزافزون رایانه‌های کلاسیک سبب شد تا شبکه‌های عصبی به حاشیه بروند. در آن زمان، تمرکز اصلی محققان بر توسعه الگوریتم‌های محاسباتی کلاسیک و قدرت پردازش عددی CPU‌ها بود.

بازگشت به میدان با انقلاب یادگیری عمیق

با وجود رکود نسبی در دهه‌های میانی قرن بیستم، برخی از پژوهشگران در کشور‌هایی مانند ژاپن و آلمان همچنان به کار بر روی شبکه‌های عصبی ادامه دادند. اما تا اوایل دهه ۱۹۸۰، این حوزه هنوز به‌عنوان یک «رشته مستقل» شناخته نمی‌شد.

یان لوکان (Yann LeCun)، دانشمند فرانسوی-آمریکایی و یکی از پیشگامان هوش مصنوعی، درباره آن دوران می‌گوید: «در آن زمان، افراد معدودی روی شبکه‌های عصبی کار می‌کردند. وقتی با جفری هینتون کار می‌کردم، هنوز این حوزه به‌عنوان یک رشته جدی تلقی نمی‌شد. اما در سال ۱۹۸۶، دوباره به‌عنوان یک حوزه علمی بازگشت.»

این بازگشت تدریجی، مدیون پیشرفت‌هایی بود که در کاربرد‌های خاصی مانند تشخیص گفتار در اوایل دهه ۲۰۰۰ به دست آمد. الگوریتم‌های شبکه عصبی موفق شدند در این زمینه عملکرد قابل‌توجهی ارائه دهند و همین مسئله سبب شد تا نگاه‌ها دوباره به سمت این مدل‌های محاسباتی معطوف شود.

لوکان در ادامه توضیح می‌دهد که حتی در آن زمان، به‌دلیل شهرت نه‌چندان خوب عبارت «شبکه عصبی» (neural nets)، تصمیم گرفتند واژه «یادگیری عمیق» (Deep Learning) را جایگزین آن کنند. بدین ترتیب، تولد «یادگیری عمیق» عملاً با ریشه‌های شبکه عصبی گره خورد، اما در قالبی نوین و با رویکردی مدرن.

چرا به NPU نیاز داریم؟

پردازنده‌های سنتی مانند CPU و حتی GPU، برای اجرای الگوریتم‌های یادگیری عمیق طراحی نشده‌اند. آنها توانایی انجام حجم بالای محاسبات را دارند، اما در زمینه یادگیری، تطبیق و پردازش موازی داده‌ها، عملکرد بهینه‌ای ندارند.

NPU‌ها با هدف بهینه‌سازی اجرای مدل‌های هوش مصنوعی طراحی شده‌اند. برخلاف CPU که به صورت ترتیبی کار می‌کند، NPU‌ها می‌توانند صد‌ها و هزاران نرون مصنوعی را به‌طور هم‌زمان پردازش کنند. این ویژگی باعث می‌شود تا سرعت، بهره‌وری و کارایی مدل‌های یادگیری ماشینی و بینایی رایانه‌ای به طرز چشمگیری افزایش یابد.

در دستگاه‌هایی مانند گوشی‌های هوشمند، که منابع پردازشی محدود هستند، وجود NPU به‌عنوان شتاب‌دهنده پردازش‌های مبتنی بر هوش مصنوعی اهمیت زیادی دارد. تشخیص چهره، ترجمه هم‌زمان، پردازش تصویر و فرمان‌های صوتی، همگی به لطف NPU‌ها با سرعت و دقت بیشتری انجام می‌شوند.

ویژگی‌های برجسته NPU‌ها

• معماری مبتنی بر نرون مصنوعی: طراحی NPU‌ها به‌گونه‌ای است که الگوریتم‌های یادگیری عمیق را در سطح سخت‌افزار پیاده‌سازی می‌کند.

• پردازش موازی گسترده: هزاران واحد پردازشی کوچک به‌صورت هم‌زمان عملیات را اجرا می‌کنند.

• مصرف انرژی پایین: در مقایسه با CPU و GPU، مصرف انرژی NPU‌ها در عملیات یادگیری ماشین به‌مراتب کمتر است.

• سرعت اجرای بالا: به‌ویژه در وظایفی مانند تشخیص تصویر، صدا و زبان طبیعی.

• پشتیبانی از مدل‌های پیچیده هوش مصنوعی: از جمله شبکه‌های عصبی پیچیده، یادگیری عمیق و مدل‌های زبانی بزرگ.

آینده محاسبات با NPU‌ها رقم می‌خورد؟

با گسترش استفاده از هوش مصنوعی در صنایع مختلف از جمله پزشکی، خودرو‌های خودران، رباتیک، تشخیص تصویر، مترجم‌های زنده و دستیار‌های صوتی، نیاز به سخت‌افزار‌هایی مانند NPU بیش از پیش احساس می‌شود.

بسیاری از شرکت‌های بزرگ فناوری مانند گوگل، اپل، سامسونگ، هواوی و انویدیا، در حال توسعه یا بهره‌گیری از تراشه‌های NPU برای افزایش توان پردازشی محصولات خود هستند. به‌عنوان نمونه، تراشه «Apple Neural Engine» در آیفون‌ها به‌طور خاص برای انجام وظایف هوش مصنوعی طراحی شده است.

در حوزه کلان‌داده و مراکز داده نیز NPU‌ها می‌توانند نقش حیاتی ایفا کنند. الگوریتم‌های مدل‌سازی زبان، تحلیل تصویر پزشکی، تشخیص تقلب و ترجمه ماشینی، همگی نیازمند توان پردازشی عظیم هستند که با NPU می‌توان به آنها پاسخ داد.

از تقلید مغز تا تسخیر آینده

توسعه NPU‌ها نه‌تنها گامی به‌سوی شبیه‌سازی مغز انسان در حوزه الکترونیک است، بلکه افق‌های تازه‌ای را در هوش مصنوعی گشوده است. از کاربرد‌های شخصی در تلفن‌های همراه گرفته تا مأموریت‌های پیشرفته علمی در رباتیک، NPU‌ها به‌عنوان مغز‌های آینده‌نگرانه فناوری شناخته می‌شوند.

هرچند مسیر طراحی چنین تراشه‌هایی با الهام از مغز انسان دشوار بوده، اما با ادغام توان سخت‌افزاری و الگوریتم‌های یادگیری، اکنون می‌توان گفت که NPU‌ها در آستانه تبدیل‌شدن به استاندارد جدید پردازش هوشمند در عصر دیجیتال هستند.