نورون‌هایی ساخته شده به دست دانشمندان با عملکرد مشابه مغز

به گزارش مجله خبری نگار/برنا پژوهشگران دانشکده مهندسی ویتربی دانشگاه کالیفرنیای جنوبی (USC Viterbi) و دانشکده محاسبات پیشرفته موفق به ساخت نورون‌های مصنوعی‌ای شده‌اند که رفتار الکتروشیمیایی پیچیده‌ی سلول‌های مغزی واقعی را به‌طور دقیق تقلید می‌کنند.

 این دستاورد که جزئیات آن در نشریه‌ی Nature Electronics منتشر شده است، گامی مهم در مسیر توسعه‌ی رایانش نورومورفیک به‌شمار می‌رود و می‌تواند اندازه تراشه‌ها را به‌شدت کاهش دهد، مصرف انرژی را تا چند مرتبه کم‌تر کند و مسیر رسیدن به هوش عمومی مصنوعی را تسریع بخشد.

بازآفرینی واقعی فرآیند‌های زیستی در تراشه‌ها

برخلاف پردازنده‌های دیجیتال یا تراشه‌های نورومورفیک مبتنی بر سیلیکون که تنها فعالیت عصبی را شبیه‌سازی ریاضی می‌کنند، نورون‌های جدید فرآیند‌های آنالوگ واقعی نورون‌های زیستی را به‌صورت فیزیکی بازآفرینی می‌کنند. همان‌گونه که مواد شیمیایی در مغز باعث تحریک فعالیت عصبی می‌شوند، در این فناوری نیز مواد شیمیایی خاصی به‌طور مستقیم محاسبات را در سخت‌افزار مغز-الهام انجام می‌دهند.

این نوآوری به رهبری جاشوا یانگ (Joshua Yang)، استاد مهندسی برق و رایانه‌ی دانشگاه USC و از پیشگامان حوزه‌ی سیناپس‌های مصنوعی، ارائه شده است. او نوعی نورون مصنوعی را معرفی کرده که بر پایه‌ی فناوری موسوم به ممریستور پخشی (diffusive memristor) ساخته می‌شود؛ ابزاری که به‌جای جریان الکترون‌ها از حرکت اتم‌ها برای انجام محاسبات بهره می‌برد و همین ویژگی عملکردی نزدیک‌تر به مغز انسان را فراهم می‌کند.

عملکرد مشابه مغز در مقیاسی کوچک‌تر

در مغز انسان انتقال پیام‌های عصبی با ترکیبی از سیگنال‌های الکتریکی و شیمیایی انجام می‌شود. نورون‌ها ابتدا پیام الکتریکی را تا نقطه‌ی اتصال موسوم به سیناپس ارسال می‌کنند، سپس این پیام به سیگنال شیمیایی تبدیل می‌شود تا به نورون بعدی منتقل گردد. پس از عبور پیام دوباره به سیگنال الکتریکی بازمی‌گردد. تیم یانگ موفق شده است این چرخه‌ی پیچیده را در تراشه‌ای با دقت بالا بازسازی کند.

ویژگی برجسته‌ی این فناوری آن است که هر نورون مصنوعی تنها به فضای یک ترانزیستور نیاز دارد در حالی‌که در طراحی‌های متداول هر نورون به ده‌ها یا صد‌ها ترانزیستور وابسته است.

یانگ و همکارانش در این پژوهش از یون‌های نقره در اکسید برای تولید پالس الکتریکی و شبیه‌سازی فرآیند‌های مغزی استفاده کرده‌اند. او می‌گوید: اگرچه یون‌های ما با یون‌های موجود در مغز انسان یکسان نیستند، اما قوانین فیزیکی حاکم بر حرکت و پویایی آنها بسیار مشابه است.

یانگ توضیح می‌دهد: نقره به‌راحتی منتشر می‌شود و دینامیکی مشابه سیستم زیستی به ما می‌دهد تا بتوانیم عملکرد نورون‌ها را با ساختاری بسیار ساده بازتولید کنیم.

به‌گفته‌ی او دلیل استفاده از دینامیک یونی برای ساخت سیستم‌های هوشمند این است که مغز انسان به‌عنوان کارآمدترین موتور هوشمند تکامل از همین سازوکار بهره می‌گیرد.

بهینه‌سازی انرژی در مقیاس هوش مصنوعی

یانگ تاکید می‌کند: مسئله این نیست که رایانه‌های ما توانمند نیستند، بلکه کارایی انرژی آنها پایین است. مصرف انرژی مدل‌های بزرگ یادگیری ماشینی بسیار بالاست.

او معتقد است یکی از راه‌های افزایش کارایی ساخت سیستم‌هایی است که بر اساس اصول عملکرد مغز انسان کار کنند.

در حالی‌که الکترون‌ها سرعت بیشتری دارند و برای محاسبات سریع مناسب‌اند. یانگ می‌گوید: یون‌ها محیط بهتری برای پیاده‌سازی اصول یادگیری مغزی هستند. الکترون‌ها سبک و ناپایدارند و یادگیری مبتنی بر نرم‌افزار را ممکن می‌سازند، درحالی‌که مغز از حرکت یون‌ها در غشاء برای یادگیری سخت‌افزاری و سازگار بهره می‌برد.

برای نمونه کودک می‌تواند با دیدن چند تصویر دست‌خط اعداد را تشخیص دهد؛ در حالی‌که یک رایانه برای یادگیری همان وظیفه به هزاران نمونه نیاز دارد. با این حال مغز انسان تمام این پردازش را با تنها ۲۰ وات انرژی انجام می‌دهد، در حالی‌که ابررایانه‌های امروزی به مگاوات‌ها انرژی نیاز دارند.

آینده تراشه‌های مغز الهام

به گفته‌ی یانگ نقره‌ی استفاده‌شده در این آزمایش با فناوری‌های نیمه‌هادی رایج سازگار نیست، از این‌رو در گام‌های بعدی باید عناصر یونی جایگزین بررسی شوند.

او می‌افزاید: در این روش هر نورون تنها جای یک ترانزیستور را اشغال می‌کند، در حالی‌که یک تلفن هوشمند معمولی میلیارد‌ها ترانزیستور دارد. هدف ما طراحی واحد‌های سازنده‌ای است که بتوانند اندازه‌ی تراشه را چندین مرتبه کاهش دهند، مصرف انرژی را به حداقل برسانند و زمینه‌ساز اجرای پایدار هوش مصنوعی با سطحی از هوشمندی مشابه مغز انسان باشند، بدون آن‌که انرژی غیرقابل‌تحمل مصرف شود.

یانگ در پایان می‌گوید: اکنون که بلوک‌های سازنده‌ی اصلی یعنی سیناپس‌ها و نورون‌های مصنوعی را با موفقیت ساخته‌ایم، گام بعدی ادغام انبوه آنها و آزمودن میزان نزدیکی عملکردشان به کارایی و بهره‌وری مغز انسان است. نکته‌ی هیجان‌انگیزتر این است که چنین سیستم‌هایی نه‌تنها می‌توانند به پیشرفت هوش مصنوعی کمک کنند، بلکه شاید راز‌های تازه‌ای از عملکرد خود مغز انسان را نیز آشکار سازند.