هوش مصنوعی در آستانه پیوند با هوش طبیعی؛ پیش به سوی خیس‌افزار

به گزارش خبرنگار علم و فناوری ایسکانیوز؛ محققان دانشگاه کالیفرنیای جنوبی این نورون‌های مصنوعی را به شکلی طراحی کرده‌اند که فرآیندهای واقعی مغز را با استفاده از ممریستورهای مبتنی بر یون بازسازی می‌کنند. ممریستور نوعی قطعهٔ الکترونیک است که میزان مقاومت الکتریکی‌اش به حافظهٔ جریان‌هایی که قبلاً از آن عبور کرده‌اند بستگی دارد. یعنی اگر جریانی از آن بگذرد، مقدار مقاومت تغییر می‌کند. وقتی جریان قطع شود، مقدار مقاومت جدید را «به خاطر می‌سپارد». وقتی دوباره جریان برقرار شود، همان مقدار مقاومت قبلی باقی می‌ماند تا زمانی که جریان جدیدی آن را تغییر دهد. به زبان ساده، ممریستور رفتار حافظه‌ای دارد؛ مثل مغز انسان که تجربه‌های گذشته‌اش بر واکنش‌های بعدی‌اش اثر می‌گذارد.^[1]

ابزاری که محققان دانشگاه کالیفرنیای جنوبی طراحی کرده‌اند نه تنها می‌توانند نحوه استفاده نورون‌ها از مواد شیمیایی برای انتقال و پردازش سیگنال‌ها را تقلید ‌کنند، بلکه از نظر انرژی و اندازه مزیت چشمگیری دارند. این فناوری می‌تواند سامانه‌های یادگیری سخت‌افزاریِ شبیه به مغز را ممکن سازد و هوش مصنوعی را به چیزی نزدیک‌تر به هوش طبیعی تبدیل کند.

نورون‌های مصنوعی می‌توانند کارایی هوش مصنوعی را دگرگون کنند

یک نورون مصنوعی «اسپایکینگ» (دارای سیگنال‌های ضربانی)، با عملکردهای متنوع نورونی، ابعاد بسیار کوچک و مصرف انرژی اندک برای سامانه‌های محاسبات نورومورفیک، می‌تواند از ترکیب یک ممریستور نفوذی و یک مقاومت که روی یک ترانزیستور قرار گرفته‌اند ساخته شود. تصویری که دیده می‌شود، تراشه‌ای از آرایه‌ای از این نورون‌های مجتمع را نشان می‌دهد که در اتاق تمیز دانشگاه ساخته شده و ناحیه فعال هر نورون تنها حدود چهار میکرومتر مربع است.

نورون‌های مصنوعی‌ای که دانشمندان دانشکده مهندسی ویتربی و دانشکده محاسبات پیشرفته دانشگاه USC ایجاد کرده‌اند، رفتار الکتروشیمیایی پیچیده سلول‌های واقعی مغزی را بازتولید می‌کند. این کشف که در مجله«نیچر الکترونیک»منتشر شده، نقطه عطفی در حوزه محاسبات نورومورفیک محسوب می‌شود؛ حوزه‌ای که هدف آن طراحی سخت‌افزارهایی است که بر اساس مدل عملکرد مغز انسان کار کنند. این پیشرفت می‌تواند اندازه تراشه‌ها را چندین مرتبه کاهش دهد، مصرف انرژی را به‌طور چشمگیری کم کند و هوش مصنوعی را به دستیابی به «هوش مصنوعی عمومی» نزدیک‌تر سازد.

برخلاف پردازنده‌های دیجیتال یا تراشه‌های نورومورفیک پیشین که تنها از طریق مدل‌های ریاضی فعالیت مغز را شبیه‌سازی می‌کردند، این نورون‌های جدید به ‌صورت فیزیکی همانند نورون‌های واقعی عمل می‌کنند. درست همانطور که فعالیت مغز طبیعی از طریق سیگنال‌های شیمیایی آغاز می‌شود، این نورون‌های مصنوعی نیز از برهم‌کنش‌های شیمیایی واقعی برای آغاز فرآیندهای محاسباتی استفاده می‌کنند. بنابراین آن‌ها صرفاً بازنمایی نمادین نیستند، بلکه بازآفرینی واقعی از عملکرد زیستی‌اند.

نسل تازه‌ای از سخت‌افزارهای شبیه مغز

پژوهشی که به سرپرستی پروفسور جاشوا یانگ از دانشکده مهندسی برق و رایانهدانشگاه کالیفرنیای جنوبیانجام شده، بر پایه کارهای پیشگامانه پیشین او در زمینه سیناپس‌های مصنوعی است که بیش از یک دهه پیش آغاز شده بود. رویکرد تازه گروه او بر پایه ابزاری به نام «ممریستور نفوذی» است. یافته‌های آنها نشان می‌دهد این قطعات می‌توانند راه را برای نسل تازه‌ای از تراشه‌ها باز کنند که هم‌زمان مکمل و بهبوددهنده سامانه‌های مبتنی بر سیلیکون باشند. در حالی که سامانه‌های سیلیکونی برای انجام محاسبات از حرکت الکترون‌ها استفاده می‌کنند، ممریستورهای نفوذی یانگ از حرکت اتم‌ها بهره می‌برند؛ فرآیندی که بسیار شبیه‌تر به نحوه انتقال اطلاعات در نورون‌های زیستی است. نتیجه، تراشه‌هایی کوچک‌تر و کارآمدتر است که مانند مغز اطلاعات را پردازش می‌کنند و شاید مسیر را به‌سوی هوش مصنوعی عمومی (AGI) هموار سازند.

در مغز، سیگنال‌های الکتریکی و شیمیایی با هم ارتباط میان سلول‌های عصبی را ممکن می‌سازند. زمانی که یک پالس الکتریکی به انتهای نورون، در ناحیه‌ای به نام سیناپس، می‌رسد، به یک سیگنال شیمیایی تبدیل می‌شود تا اطلاعات را به نورون بعدی منتقل کند. پس از دریافت، آن سیگنال دوباره به پالس الکتریکی تبدیل می‌شود. یانگ و همکارانش این فرآیند پیچیده را با دقتی چشمگیر در ابزار خود بازسازی کرده‌اند. مزیت عمده طراحی آنها این است که هر نورون مصنوعی تنها در فضای یک ترانزیستور جا می‌گیرد، در حالی که طراحی‌های قدیمی به ده‌ها یا حتی صدها ترانزیستور نیاز داشتند.

استفاده از یون‌های نقره برای بازسازی پویایی مغز

در نورون‌های زیستی، ذرات بارداری به نام یون‌ها موجب ایجاد پالس‌های الکتریکی می‌شوند که فعالیت سیستم عصبی را ممکن می‌سازد. مغز انسان برای این کار از یون‌هایی مانند پتاسیم، سدیم و کلسیم استفاده می‌کند.

در پژوهش جدید، یانگ — که ریاست مرکز برتری محاسبات نورومورفیک دردانشگاه کالیفرنیای جنوبیرا نیز بر عهده دارد — از یون‌های نقره تعبیه‌شده در مواد اکسیدی برای تولید پالس‌های الکتریکی استفاده کرده که عملکردهای طبیعی مغز مانند یادگیری، حرکت و برنامه‌ریزی را تقلید می‌کنند.

او می‌گوید: گرچه یون‌های مورد استفاده در سیناپس‌ها و نورون‌های مصنوعی ما دقیقاً همان یون‌های زیستی نیستند، اما فیزیک حاکم بر حرکت و پویایی آن‌ها بسیار مشابه است.

یانگ توضیح می‌دهد: نقره به‌راحتی نفوذ می‌کند و همان دینامیکی را به ما می‌دهد که برای شبیه‌سازی سامانه زیستی لازم داریم تا بتوانیم عملکرد نورون‌ها را با ساختاری بسیار ساده بازسازی کنیم. این ابزار جدید «ممریستور نفوذی» نام گرفته است، زیرا حرکت و پخش پویا (diffusion) یون‌های نقره اساس عملکرد آن است.

او می‌افزاید: تیم ما تصمیم گرفت از دینامیک یون‌ها برای ساخت سامانه‌های هوش مصنوعی استفاده کند، زیرا همین فرآیند در مغز انسان رخ می‌دهد، و مغز انسان، برنده نهایی در مسیر تکامل است؛ کارآمدترین موتور هوشمند شناخته ‌شده.

یانگ تأکید می‌کند: این روش به‌ مراتب کارآمدتر است.

چرا کارایی در سخت‌افزار هوش مصنوعی اهمیت دارد

یانگ می‌گوید مشکل کامپیوترهای امروزی در قدرت نیست، بلکه در ناکارآمدی است. مسئله این نیست که تراشه‌ها یا کامپیوترهای ما به اندازه کافی قدرتمند نیستند؛ مشکل این است که آنها کارآمد نیستند و انرژی زیادی مصرف می‌کنند. این نکته به‌ویژه با توجه به مصرف عظیم انرژی سامانه‌های هوش مصنوعی امروزی که داده‌های کلان را پردازش می‌کنند، بسیار مهم است.

او توضیح می‌دهد: کامپیوترهای فعلی ما هیچ‌گاه برای یادگیری از تعداد اندکی مثال یا برای پردازش حجم عظیم داده‌ها طراحی نشده بودند. یکی از راه‌های افزایش بازده انرژی و توان یادگیری، ساخت سامانه‌های مصنوعی بر پایه اصولی است که در مغز دیده می‌شود.

اگر صرفاً به دنبال سرعت باشید، الکترون‌ها بهترین گزینه برای انجام سریع عملیات هستند. اما یانگ می‌گوید: یون‌ها بستر بهتری نسبت به الکترون‌ها برای بازتاب اصول مغز هستند. چون الکترون‌ها سبک و ناپایدارند، محاسبات مبتنی بر آنها به یادگیری نرم‌افزاری منجر می‌شود نه سخت‌افزاری، که اساساً با روش یادگیری مغز تفاوت دارد.

در مقابل، مغز از طریق حرکت یون‌ها در غشاها یاد می‌گیرد و یادگیری تطبیقی و کم‌مصرف را مستقیماً در سخت‌افزار – یا به‌ طور دقیق‌تر، در آنچه می‌توان «خیس‌افزار» نامید- انجام می‌دهد.

خیس‌افزار در حالی که سخت‌افزار به اجزای فیزیکی کامپیوتر و نرم‌افزار به برنامه‌ها و دستورالعمل‌ها اشاره دارد، به سامانه‌های زنده‌ زیستی، مثل مغز انسان و شبکه‌های عصبی طبیعی اشاره می‌کند؛ یعنی همان «سخت‌افزار مرطوب» بدن که از سلول‌ها و مایع‌های زیستی تشکیل شده است.

برای مثال، یک کودک خردسال می‌تواند پس از دیدن تنها چند نمونه از هر رقم، اعداد دست‌نویس را تشخیص دهد؛ در حالی که کامپیوتر برای انجام همان کار به هزاران نمونه نیاز دارد. با این حال، مغز انسان تنها حدود ۲۰ وات انرژی مصرف می‌کند، در حالی که ابررایانه‌های امروزی برای انجام وظایف مشابه به مگاوات‌ها انرژی نیاز دارند.

تأثیرات بالقوه و گام‌های بعدی

یانگ و گروهش این فناوری را گامی بزرگ در جهت بازآفرینی هوش طبیعی می‌دانند. با این حال او اذعان دارد که استفاده از نقره در این آزمایش‌ها هنوز با فرآیندهای استاندارد ساخت نیمه‌رساناها سازگار نیست و در آینده باید مواد یونی دیگری بررسی شوند که بتوانند اثر مشابهی ایجاد کنند.

ممریستورهای نفوذی از نظر انرژی و اندازه بسیار کارآمدند. یک گوشی هوشمند معمولی ممکن است حدود ده تراشه داشته باشد که هر کدام شامل میلیاردها ترانزیستور هستند.

یانگ می‌گوید: در این نوآوری، ما برای هر نورون تنها از جای یک ترانزیستور استفاده می‌کنیم. ما در حال طراحی بلوک‌های سازنده‌ای هستیم که در نهایت می‌توانند اندازه تراشه را چند مرتبه و مصرف انرژی را چند مرتبه کاهش دهند؛ به ‌طوری ‌که انجام عملیات هوش مصنوعی در آینده با سطحی مشابه از هوشمندی، اما بدون مصرف غیرقابل‌پایداری از انرژی ممکن شود.

او می‌افزاید: اکنون که بلوک‌های سازنده‌ای کارآمد و فشرده، یعنی سیناپس‌ها و نورون‌های مصنوعی را نشان داده‌ایم، گام بعدی ادغام شمار زیادی از آنها و آزمودن این است که تا چه حد می‌توانیم کارایی و قابلیت‌های مغز را بازتولید کنیم.

یانگ نتیجه می‌گیرد: حتی هیجان‌انگیزتر از آن، این است که چنین سامانه‌های وفادار به مغز می‌توانند به ما در کشف بینش‌های تازه درباره نحوه عملکرد خود مغز کمک کنند.

انتهای پیام/

References

1. ^{^}ایسکانیوز (www.iscanews.ir)

Authors: صاحب‌خبران - جدیدترین و آخرین اخبار ایران و جهان - علمی-فناوری