نورون‌های مصنوعی جدید به طور فیزیکی مغز را شبیه‌سازی می‌کنند!

محققان دانشکده مهندسی USC Viterbi و دانشکده محاسبات پیشرفته، نورون‌های مصنوعی‌ای ساخته‌اند که رفتار الکتروشیمیایی پیچیده سلول‌های مغزی واقعی را از نزدیک تقلید می‌کنند. این پیشرفت که در نشریه Nature Electronics شرح داده شده، گامی بزرگ به جلو در محاسبات نورومورفیک است. این رویکرد جدید می‌تواند به‌طور چشمگیری اندازه تراشه را کوچک کند، مصرف انرژی را تا چند مرتبه کاهش دهد و ما را به دستیابی به هوش عمومی مصنوعی (AGI) نزدیک‌تر سازد.

برخلاف پردازنده‌های دیجیتال استاندارد یا تراشه‌های نورومورفیک سیلیکونی موجود که تنها فعالیت عصبی را شبیه‌سازی می‌کنند، این نورون‌های مصنوعی فرآیندهای آنالوگ نورون‌های بیولوژیکی را به صورت فیزیکی بازتولید می‌کنند. همان‌طور که مواد عصبی-شیمیایی فعالیت مغز را تحریک می‌کنند، اکنون می‌توان از مواد شیمیایی خاصی برای آغاز محاسبات در سخت‌افزار الهام‌گرفته از مغز یا نورومورفیک استفاده کرد. از آنجایی‌که این نورون‌ها مکانیسم‌های بیولوژیکی واقعی را تقلید می‌کنند و به مدل‌های ریاضی متکی نیستند، اساساً با طراحی‌های قبلی متفاوت هستند.

این تحقیق به رهبری پروفسور جاشوا یانگ، استاد مهندسی کامپیوتر و برق USC — که پیش از این سهمی پیشگامانه در زمینه سیناپس‌های مصنوعی داشته است — نوع جدیدی از نورون مصنوعی را معرفی می‌کند که با استفاده از “ممریستور انتشار دهنده (diffusive memristor)” ساخته شده است. این مطالعه به تفصیل توضیح می‌دهد که چگونه این نوآوری می‌تواند نسل جدیدی از تراشه‌ها را فعال کند که فناوری‌های سیلیکونی امروزی را بهبود بخشیده و گسترش می‌دهند. در حالی‌که الکترونیک مرسوم برای محاسبات به جریان الکترون‌ها وابسته است، دستگاه انتشاردهنده یانگ در عوض از حرکت اتم‌ها استفاده می‌کند. این فرآیند در سطح اتمی به نورون‌ها اجازه می‌دهد تا بیشتر شبیه نورون‌های مغز انسان عمل کنند و کارایی انرژی بیشتر و پتانسیل پیشرفت توسعه AGI را فراهم می‌آورند.

نحوه عملکرد

در فرآیند بیولوژیکی، مغز برای ایجاد عمل در بدن از سیگنال‌های الکتریکی و شیمیایی استفاده می‌کند. نورون‌ها یا سلول‌های عصبی با سیگنال‌های الکتریکی شروع می‌کنند که وقتی به فضا یا شکاف انتهای نورون به نام سیناپس می‌رسند، سیگنال‌های الکتریکی به سیگنال‌های شیمیایی تبدیل می‌شوند تا اطلاعات را منتقل و پردازش کنند. هنگامی‌که اطلاعات به نورون بعدی می‌رسد، بخشی از آن سیگنال‌ها دوباره از طریق بدنه نورون به سیگنال‌های الکتریکی تبدیل می‌شوند. این همان فرآیند فیزیکی است که یانگ و همکارانش موفق به شبیه‌سازی آن با دقت بالا در چندین جنبه حیاتی شده‌اند. مزیت بزرگ این است: نورون مصنوعی مبتنی بر ممریستور انتشاردهنده آن‌ها تنها به فضای یک ترانزیستور نیاز دارد، در حالی‌که در طرح‌های مرسوم ده‌ها تا صدها ترانزیستور استفاده می‌شود.

به‌طور خاص، در مدل بیولوژیکی، یون‌ها یا ذرات باردار به تولید سیگنال‌های الکتریکی کمک می‌کنند تا عملی در داخل نورون ایجاد شود. در مغز انسان، چنین فرآیندهایی به مواد شیمیایی (مانند یون‌ها) نظیر پتاسیم، سدیم یا کلسیم متکی هستند تا این عمل را به اجرا درآورند.

در مقاله فعلی، یانگ، که مدیر مرکز تعالی محاسبات نورومورفیک در USC است، از یون‌های نقره در اکسید برای تولید پالس الکتریکی و تقلید از فرآیندهای انجام محاسبات برای فعالیت‌هایی مانند حرکت، یادگیری و برنامه‌ریزی استفاده می‌کند.

یانگ می‌گوید:

اگرچه یون‌های ما در سیناپس‌ها و نورون‌های مصنوعی دقیقاً یکسان نیستند، اما فیزیک حاکم بر حرکت یون‌ها و دینامیک آن‌ها بسیار شبیه است.

یانگ توضیح می‌دهد:

نقره به راحتی منتشر می‌شود و دینامیک مورد نیاز ما برای تقلید از سیستم زیستی را فراهم می‌کند تا بتوانیم با یک ساختار بسیار ساده به عملکرد نورون‌ها دست یابیم. دستگاه جدیدی که می‌تواند یک تراشه شبیه مغز را ممکن سازد، به دلیل حرکت یون و انتشار دینامیکی که با استفاده از نقره رخ می‌دهد، “ممریستور انتشار دهنده” نامیده می‌شود.

او می‌افزاید:

تیم تصمیم گرفت از دینامیک یون برای ساخت سیستم‌های هوشمند مصنوعی استفاده کند “زیرا این همان چیزی است که به دلیلی موجه در مغز انسان اتفاق می‌افتد و از آنجایی‌که مغز انسان، ‘برنده تکامل – کارآمدترین موتور هوشمند’ است، “کارآمدتر است.”

یانگ توضیح می‌دهد که این امر حیاتی است:

مسئله این نیست که تراشه‌ها یا کامپیوترهای ما برای کاری که انجام می‌دهند به اندازه کافی قدرتمند نیستند. مسئله این است که به اندازه کافی کارآمد نیستند. آن‌ها انرژی زیادی مصرف می‌کنند. این به ویژه با توجه به سطح انرژی مورد نیاز برای اجرای مدل‌های نرم‌افزاری بزرگ با حجم عظیمی از داده‌ها مانند یادگیری ماشینی برای هوش مصنوعی، اهمیت پیدا می‌کند.

یانگ در ادامه توضیح می‌دهد که برخلاف مغز، “سیستم‌های محاسباتی موجود ما هرگز به منظور پردازش حجم عظیمی از داده‌ها یا یادگیری مستقل از تنها چند نمونه طراحی نشده‌اند. یک راه برای تقویت هر دو کارایی انرژی و یادگیری، ساخت سیستم‌های مصنوعی است که طبق اصولی مشاهده شده در مغز عمل می‌کنند.”

او توضیح می‌دهد که اگر به دنبال سرعت صرف هستید، الکترون‌هایی که محاسبات مدرن را هدایت می‌کنند، برای عملیات سریع بهترین هستند. اما “یون‌ها واسطه‌ای بهتر از الکترون‌ها برای تجسم اصول مغز هستند. چون الکترون‌ها سبک و ناپایدار هستند، محاسبات با آن‌ها، یادگیری مبتنی بر نرم‌افزار را ممکن می‌سازد تا یادگیری مبتنی بر سخت‌افزار، که اساساً با نحوه عملکرد مغز متفاوت است.”

در مقابل، او می‌گوید:

مغز با حرکت یون‌ها در عرض غشاها یاد می‌گیرد و به یادگیری کارآمد انرژی و تطبیقی به طور مستقیم در سخت‌افزار، یا دقیق‌تر بگویم، در چیزی که مردم ممکن است آن را ‘وت‌ور’ (wetware) بنامند، دست می‌یابد.

به عنوان مثال، یک کودک خردسال می‌تواند تشخیص ارقام دست‌نویس را پس از دیدن تنها چند نمونه از هر کدام یاد بگیرد، در حالی‌که یک کامپیوتر معمولاً به هزاران نمونه نیاز دارد تا به همان کار دست یابد. با این حال، مغز انسان این یادگیری شگفت‌انگیز را تنها با مصرف حدود ۲۰ وات برق انجام می‌دهد، در مقایسه با مگاوات‌های مورد نیاز ابرکامپیوترهای امروزی.

تأثیر بالقوه

این روش جدید یک گام به تقلید از هوش طبیعی نزدیک‌تر است.

یانگ خاطرنشان کرد که نقره مورد استفاده در این آزمایش به راحتی با ساخت نیمه‌هادی‌های مرسوم سازگار نیست و برای عملکردهای مشابه، گونه‌های یونی جایگزین باید مورد بررسی قرار گیرند.

کارایی این ممریستورهای انتشاردهنده نه‌تنها شامل انرژی، بلکه اندازه نیز می‌شود. به‌طور معمول، یک گوشی هوشمند حدود ۱۰ تراشه اما میلیاردها ترانزیستور یا سوئیچ دارد که روشن/خاموش شدن یا ۰ و ۱‌هایی را کنترل می‌کنند که زیربنای محاسبات هستند.

یانگ می‌گوید:

در عوض [با این نوآوری]، ما فقط از فضای یک ترانزیستور برای هر نورون استفاده می‌کنیم. ما در حال طراحی بلوک‌های سازنده‌ای هستیم که در نهایت ما را به کاهش اندازه تراشه تا چند مرتبه، کاهش مصرف انرژی تا چند مرتبه هدایت می‌کنند تا بتوان در آینده به طور پایدار هوش مصنوعی را با سطح هوشمندی مشابه بدون سوزاندن انرژی‌ای که قابل تحمل نیست، انجام داد.

اکنون که بلوک‌های سازنده توانا و فشرده، یعنی سیناپس‌های مصنوعی و نورون‌ها را نشان داده‌ایم، گام بعدی ادغام تعداد زیادی از آن‌ها و آزمایش میزان نزدیکی ما به تقلید از کارایی و قابلیت‌های مغز است. او می‌گوید:

از آن هم هیجان‌انگیزتر، این چشم‌انداز است که چنین سیستم‌های وفادار به مغز می‌توانند به ما کمک کنند تا بینش‌های جدیدی را در مورد نحوه عملکرد خود مغز کشف کنیم.

منبع: Scitechdaily