طراحی تراشه‌ای که مانند اتصال‌های سلول‌های مغزی رفتار می‌کند.

مجله علمی ایلیاد - برای کسانی که در زمینه‌ی هوش‌مصنوعی پیشرفته فعالیت می‌کنند، شبیه‌سازی مغز با استفاده از رایانه، کاری بسیار دشوار و بغرنج است؛ اما اگر سخت‌افزار را مانند سخت‌افزار مغز طراحی کنیم، کار شبیه‌سازی سهولت می‌یابد. این حوزه‌ی علمی نوظهور را «رایانش نورومورفیک» می‌نامند. حالا مهندسان MIT، مانع بزرگی را از سر راه برداشته‌اند؛ طراحی تراشه‌ای با سیناپس‌های مصنوعی.

در حال حاضر، مغز انسان پیشرفته‌تر و قدرتمندتر از هر رایانه‌ای در روی زمین است. مغز حاوی تقریباً ۸۰ میلیارد نورون عصبی و بیش از ۱۰۰ تریلیون سیناپس که آن‌ها را به‌هم وصل کرده و گذر سیگنال‌ها را تحت کنترل در می‌آورد. اینکه تراشه‌های رایانه در حال حاضر چگونه کار می‌کنند، به انتقال سیگنال با زبانی موسوم به «صفر و یک» استوار است. هر نوع اطلاعاتی به صورت صفر و یک یا سیگنال‌های روشن یا خاموش رمزگذاری می‌شوند. برای اینکه بهتر بدانیم چطور می‌شود این را با مغز مقایسه کرد، به مورد زیر توجه داشته باشید.

در سال ۲۰۱۳، یکی از قدرتمندترین ابررایانه‌های جهان به شبیه‌سازی مغز انسان پرداخت و نتیجه‌ای جزئی به‌دست آورد. رایانه «ریکن کی»، از ۸۲،۹۴۴ پردازشگر و یک پتابایت حافظه اصلی استفاده کرد؛ یعنی برابر با تقریبا ۲۵۰،۰۰۰ رایانه‌ی خانگی. شبیه‌سازی یک ثانیه از فعالیت ۱.۷۳ میلیارد سلول عصبی متصل با ۱۰.۴ تریلیون سیناپس، ۴۰ دقیقه طول کشید. شاید این مقدار زیاد به‌نظر برسد، اما تنها با یک درصد مغز انسان برابری می‌کند. اگر تراشه‌ای از اتصال‌های سیناپس‌مانند استفاده کند، سیگنال‌های استفاده شده توسط یک رایانه می‌تواند بسیار متفاوت باشد و زمینه را برای یادگیری سیناپس‌مانند مهیا کند.

سیناپس برای سیگنال‌های مخابره شده در مغز، نقش میانجی را بازی می‌کنند. سلول‌های عصبی نیز بسته به تعداد و نوع یون‌هایی که در سیناپس‌ها جریان دارند، فعال می‌شوند. این عامل به مغز کمک می‌کند تا الگوها را تشخیص دهد، حقایق را به‌خاطر بسپارد و کارها را انجام بدهد.

تکرار این کار تا به امروز کار سختی بوده است، اما محققان MIT اکنون تراشه‌ای با سیناپس‌های مصنوعی از جنس سیلیکون ژرمانیوم، طراحی کرده‌اند که کنترل دقیق نیروی جریان الکتریکی را بر عهده دارد؛ درست مانند جریان یون میان سلول‌های عصبی. در شبیه‌سازی، از آن برای تشخیص نمونه‌های دستخطی با ۹۵ درصد دقت استفاده شد.

در طرح‌های قبلی مربوط به تراشه‌های نورومورفیک، از دو لایه‌ی رسانا استفاده شد که با واسطی بی‌شکل جدا شده بودند. هدف از این کار، شبیه‌سازیِ رفتار سیناپس‌ها بود. وقتی این تراشه روشن شود، یون‌ها به واسط جریان پیدا می‌کنند تا مفتول‌های رسانا را به‌منظور تقلید از وزن سیناپسی یا نقطه‌ی ضعف یا قوت سیگنال میان دو سلول عصبی ایجاد نماید. مشکل این روش آن است که بدون ساختارهای تعریف شده برای اِعمال حرکت، سیگنال‌ها از تعداد بی‌شماری مسیر برخوردار هستند. این عامل باعث ناسازگاری و غیرقابل پیش‌بینی بودن عملکرد تراشه‌ها می‌شود.

«جیهوان کیم»، محقق و نویسنده‌ی ارشد گفت: «به محض اینکه ولتاژی را برای عرضه داده‌هایی با سلول‌های عصبی مصنوعی اِعمال کنید، مجبور خواهید بود آن‌را پاک کرده و مجدداً با همان روش قبلی بنویسید. اما در جامدی بی‌شکل، وقتی دوباره بنویسید، یون‌ها به جهات مختلفی حرکت می‌کنند، زیرا کاستی‌های زیادی وجود دارد. این جریان در حال تغییر است و کنترل آن دشواری‌هایی را به همراه دارد. عدم یکنواختی سیناپس مصنوعی، بزرگترین مشکل است.»

با علم به این موارد، گروه تحقیق به ساخت شبکه‌هایی از سیلیکون ژرمانیوم پرداخت که از یک‌سری کانال‌های یک بُعدی بهره می‌برد و یون‌ها در درون این کانال‌ها جریان می‌یابند. این شبکه‌ها سپس برای ساخت تراشه‌ی نورومورفیک مورد استفاده قرار گرفتند. وقتی ولتاژ اعمال شد، تمامی سیناپس‌های روی تراشه‌ی جریان یکسانی را نشان دادند. سیناپس هم با ولتاژی که ۷۰۰ بار اعمال شد، به آزمایش رسید. علاوه بر این، گروه این تراشه را با شبیه‌سازی خصوصیات آن و نمونه‌های دستخطی که معمولاً برای آموزش نرم‌افزارهای پردازش تصویر استفاده می‌شود، آزمایش کرد. شبکه‌ی عصبی مصنوعی شبیه‌سازی شده‌ی آن‌ها که از سه لایه‌ی عصبی تشکیل یافته بود، توانست ده‌ها هزار عدد دستخطی را با ۹۵ درصد دقت شناسایی کند.

گام بعدی، ساخت تراشه‌ای است که بتواند کارِ تشخیص دست‌خط را انجام دهد و در نهایت، زمینه برای ساخت وسایل شبکه‌ی عصبی قابل حمل فراهم گردد. آقای کیم گفت: «ما در صدد ساخت تراشه‌ای به بزرگی یک ناخن هستیم تا آن‌را جایگزین ابررایانه‌ی بزرگی کنیم. این تحقیق می‌تواند راه را برای ساخت سخت‌افزار هوش‌مصنوعی واقعی هموار کند.»

این مقاله در مجله‌ی Nature Materials منتشر شده است.

نوشته: مایکل استار
ترجمه: منصور نقی‌لو - مجله علمی ایلیاد