بهترین و قدرتمندترین کامپیوتر دنیا مغز شما است. پس از گذشت سالیان زیاد و پیشرفت روزافزون دنیای فناوری، مغزها هنوز خیلی جلوتر از رقبای خود هستند. آن‌ها کوچک و سبک‌وزن هستند و مصرف انرژی کمی دارند و به‌طرز شگفت‌انگیزی سازگار هستند. همچنین، قرار است از آن‌ها به‌عنوان مدلی برای موج بعدی محاسبات پیشرفته استفاده کرد.
این طرح‌های الهام‌گرفته از مغز در‌مجموع به‌عنوان «محاسبات نورومورفیک» شناخته می‌شوند. حتی پیشرفته‌ترین رایانه‌ها نیز نمی‌توانند از نظر قدرت به مغز انسان (حتی مغز اکثر پستانداران) نزدیک شوند. بااینحال، ماده‌ی خاکستری موجود در این بخش می‌تواند به مهندسان و توسعه‌دهندگان نکاتی درباره‌ی چگونگی کارآمدتر‌کردن زیرساخت‌های محاسباتی با تقلید از سیناپس‌ها و نورون‌ها ارائه دهد.
ابتدا مسائل مربوط به زیست‌شناسی مغز را بررسی می‌کنیم. نورون‌ها سلول‌های عصبی هستند و مانند کابلی عمل می‌کنند که پیام‌ها را از قسمتی از بدن به بخشی دیگر منتقل می‌کنند. این پیام‌ها از نورونی به نورون دیگر منتقل می‌شوند تا زمانی که به قسمت درست بدن برسند؛ یعنی جایی که باید اثری ایجاد شود. به‌عنوان مثال، آن‌ها به ما کمک می‌کنند درد را متوجه شویم یا بتوانیم عضله‌ای در بدنمان را حرکت دهیم.
روشی که نورون‌ها پیام را به یکدیگر منتقل می‌کنند، «سیناپس» نامیده می‌شود. هنگامی که نورونی ورودی کافی برای تحریک دریافت کند، تکانه‌ای شیمیایی یا الکتریکی را به نورون بعدی یا به سلول دیگری مانند ماهیچه یا غده ارسال می‌کند.
حال سراغ فناوری برویم و مشاهده کنیم با الگوگیری از مغز چه کارهایی می‌توان انجام داد. نرم‌افزار محاسباتی نورومورفیک به‌دنبال بازآفرینی این پتانسیل‌ها از‌طریق شبکه‌های عصبی (SNNs) است. SNNها از نورون‌هایی ساخته شده‌اند که با تولید پتانسیل‌های عملی (Action Potentials) خود به نورون‌های دیگر سیگنال می‌دهند و حین حرکت اطلاعات را منتقل می‌کنند. قدرت و زمان‌بندی پیام‌ها باعث می‌شود نورون‌ها بتوانند بین خود دوباره ارتباط ایجاد کنند و همین امر به SNN اجازه می‌دهد همان‌طور‌که ورودی‌ها تغییر می‌کنند، یاد بگیرند. در‌واقع، این شیوه کارکرد مغز و یادگیری است.
از جنبه‌ی سخت‌افزاری، تراشه‌های نورومورفیک نیز تغییری اساسی درمقایسه‌با پردازنده‌ها و پردازنده‌های گرافیکی استفاده‌شده در اکثر دستگاه‌های محاسباتی امروزی هستند. معماری‌های سنتی مدتی است که در حال از‌بین‌رفتن هستند و سازندگان سخت‌تر می‌توانند ترانزیستورهای بیشتری را روی یک تراشه قرار دهند؛ زیرا مشکلات مختلفی از‌قبیل محدودیت‌های فیزیکی و مصرف برق و تولید گرما پیش روی آن‌ها قرار دارد.
دراین‌میان، مسئله‌ی اصلی این است که ما همیشه در حال تولید داده‌های محاسباتی بیشتری هستیم و به قدرت محاسباتی بیشتری نیاز داریم. این بدان‌معنا است که رایانه‌ی بسیار قابل‌انطباق و قدرتمند و کم‌مصرفی که در جمجه ما قرار دارد، روزبه‌روز مدل جالب‌تری برای الگوگیری هنگام ساخت دستگاه‌های محاسباتی به‌نظر می‌رسد. سوهاس کومار، دانشمند محقق در شرکت Hewlett Packard Enterprise می‌گوید:
اکنون برای یافتن مدل‌های جدید که می‌تواند به پیشرفت علم کامپیوتر جدید کمک کند، عجله‌ی زیادی داریم. مردم به‌دنبال فناوری‌های مختلف هستند و احتمالا نورومورفیک امیدوارکننده‌ترین گزینه در بین گزینه‌های دیگر است.
به‌جای جدا‌کردن حافظه و بخش محاسبات، مانند اکثر تراشه‌های استفاده‌شده‌ی امروزی، سخت‌افزار نورومورفیک هر دو را در‌کنار یکدیگر نگه می‌دارد. این مدل با داشتن پردازنده‌هایی که حافظه‌ی محلی خود را دارند، آرایشش شبیه مغز است و باعث صرفه‌جویی در انرژی و سرعت پردازش می‌شود. محاسبات نورومورفیک می‌تواند به ایجاد موج جدیدی از اپلیکیشن‌های هوش مصنوعی نیز کمک کند. هوش مصنوعی فعلی معمولا محدود است. فناوری مذکور با یادگیری از داده‌های ذخیره‌شده و اصلاح الگوریتم‌ها توسعه می‌یابد و این کار تا زمانی ادامه پیدا می‌کند که به نتیجه‌ی مدنظر برسد.
بااینحال، استفاده از استراتژی‌های مغز مانند فناوری نورومورفیک می‌تواند به هوش مصنوعی اجازه دهد وظایف جدیدی انجام دهد. از‌آنجاکه سیستم‌های نورومورفیک می‌توانند مانند مغز انسان کار کنند، ممکن است باعث شوند هوش مصنوعی از همیشه قدرتمندتر شود. سیستم‌های نورومورفیک می‌توانند با مشکلاتی مانند داده‌های گیج‌کننده کنار بیایند و سازگاری چشمگیری داشته باشند. مایک دیویس، مدیر آزمایشگاه محاسبات نورومورفیک اینتل، درباره‌ی نورومورفیک می‌گوید:
توابع مختلفی وجود دارد که محاسبات معمولی در آن‌ها کارآمد نیستند؛ بنابراین، به‌دنبال معماری‌های جدیدی بودیم که بتواند پیشرفت‌های بیشتری ارائه دهد.
محاسبات نورومورفیک در سیستم‌های محاسباتی ریشه دارد که اواخر دهه‌ی ۱۹۸۰ توسعه یافتند و برای مدل‌سازی عملکرد سیستم‌های عصبی حیوانات طراحی شدند. از آن زمان، محاسبات نورومورفیک سرعت گرفته است، تا جایی که برخی از نام‌های بزرگ فناوری سخت‌افزار نورومورفیک تولید کرده‌اند. برای مثال، تراشه‌ی TrueNorth شرکت IBM و تراشه‌ی Loihi اینتل و سیستم نورومورفیک Pohoiki Beach در‌حال‌حاضر تولید شده‌اند.
امروزه، بیشتر استفاده‌ها از سیستم‌های نورومورفیک در آزمایشگاه‌های تحقیقاتی است. برای نمونه، سخت‌افزار اینتل در توسعه‌ی بازوی رباتیک آزمایشی روی صندلی چرخدار برای افراد مبتلا به آسیب‌های نخاعی و در پوست مصنوعی برای کمک به ربات‌ها استفاده می‌شود تا آن‌ها نیز بتوانند حس لامسه‌ی مصنوعی داشته باشند. بااینحال، بعید است که این فناوری در همین شکل باقی بمانند.
گفته می‌شود اولین سیستم‌های تجاری که به‌طور درخورتوجهی به محاسبات نورومورفیک متکی هستند، می‌توانند در پنج سال آینده دردسترس قرار بگیرند. بیشترِ پیشرفت‌هایی که در محاسبات نورومورفیک مشاهده می‌کنیم، بسیار متفاوت هستند. آبرونیل سنگوپتا، استادیار دانشکده مهندسی برق و علوم کامپیوتر دانشگاه ایالتی پنسیلوانیا می‌گوید:
مشکلاتی وجود دارد؛ اما همچنین احساس می‌کنم پیشرفت چشمگیری در حال انجام است و می‌توانیم به‌زودی مشکلات را پشت‌سر بگذاریم.
به‌نظر می‌رسد اولین مکانی که می‌توان از حضور جدی این سیستم محاسباتی قدرتمند استفاده کرد، صنعت رباتیک و ماشین‌های خودران هستند. در این دو بخش، سرعت محاسبات و در‌نظر‌گرفتن حالات مختلف بسیار مهم است و نورومورفیک می‌تواند گزینه‌‌ای عالی باشد. فرض کنید این سیستم می‌تواند خطر تصادف احتمالی با فردی را بررسی کند که ناگهان وارد خیابان می‌شود. به‌طور‌کلی، این سیستم محاسباتی بسیار دقیق و مطمئن خواهد بود.
نورومورفیک می‌تواند بدون مصرف انرژی زیاد، به‌جای واگذاری وظایف هوش مصنوعی به سیستم‌های ابری که به انرژی و خنک‌کننده زیاد نیاز دارند، همه‌ی آن‌ها را با سخت‌افزارهایی مانند گوشی‌های هوشمند، تبلت‌ها، پهپادها و بازارهای پوشیدنی انجام دهد.
تا‌به‌حال، شرکت‌ها سعی می‌کردند برای دستیابی به محاسبات قدرتمندتر، قطعات بیشتری در فضای کوچک تراشه جای دهند؛ اما در آینده بیشتر روی جمع‌کردن هوش بیشتر یا به‌عبارت‌دیگر توابع بیشتر تمرکز می‌شود. چنین اقدامی مستلزم نوآوری در تمام بخش‌ها از مواد گرفته تا معماری تراشه و نرم‌افزار می‌شود.
برای اینکه نورومورفیک تأثیر درخورتوجهی داشته باشد، باید تغییرات زیادی در دنیای فناوری اعمال شود. برای مثال، فناوری‌های حسگر به‌گونه‌ای تنظیم نشده‌اند که به‌خوبی با سیستم‌های نورومورفیک کار کنند و باید دوباره طراحی شوند تا داده‌ها به‌گونه‌ای استخراج شوند که بتوانند با تراشه‌های نورومورفیک پردازش شوند.
علاوه‌براین، تنها سخت‌افزارها محکوم به تغییر نیستند؛ بلکه انسان‌ها نیز باید تغییر کنند. شاید جمله‌ی قبلی کمی عجیب باشد؛ اما حقیقت دارد. یکی از مسائل پیش روی این حوزه در مدل‌های برنامه‌نویسی نرم‌افزار پایه و بلوغ الگوریتمی است؛ به‌همین‌دلیل، به مشارکتی واقعی با دانشمندان علوم اعصاب نیاز داریم تا بتوانیم با نوع جدیدی از یادگیری ماشینی بیشتری آشنا شویم.
- هوش مصنوعی چیست؟ هر آنچه باید درباره فناوری مرموز و جذاب امروز بدانیم
محاسبات نورومورفیک می‌تواند صنعت فناوری مشارکتی را یکپارچه‌تر کند. به‌نظر می‌رسد در پروسه‌ی پیشرفت این فناوری، همکاری با دانشمندان علوم اعصاب افزایش یابد؛ زیرا مغز به اطلاعات بیشتری دسترسی دارد.
به‌عنوان مثال، سنگوپتا از Penn State در حال کار روی بازآفرینی روشی است که سلول‌های گلیال، معروف به سلول‌های پشتیبان مغز، بر همگام‌سازی فاز نورون برای محاسبات نورومورفیک تأثیر می‌گذارند. او معتقد است می‌توان از طراحی مغز برای کارهای بسیاری در دنیای فناوری استفاده کرد. او در‌این‌باره توضیح می‌دهد:
بررسی جنبه‌های مختلف دیگر مغز، مانند اجزای منفرد یا معماری زیربنایی، می‌تواند مسیری را ایجاد کند که برای آینده بسیار امیدوارکننده است.
درنهایت، باید گفت دنیای فناوری با سرعتی بسیار زیاد در حال پیشرفت است و باید از راه‌حل‌های جدیدتر برای دستیابی به نتایج مطلوب استفاده کرد. این مقاله، تنها بخش بسیار کوچکی از دنیای بزرگ محاسبات نورومورفیک را پوشش می‌دهد؛ اما اگر به این موضوع علاقه‌مند شده‌اید، پیشنهاد می‌کنیم مطالب دیگر را مطالعه کنید.
- منبع خبر : زومیت
Thursday, 2 January , 2025