پژوهشگران دانشکده مهندسی Viterbi و دانشکده محاسبات پیشرفته USC، نورونهای مصنوعی جدیدی توسعه دادهاند که رفتار الکتروشیمیایی پیچیده سلولهای مغز بیولوژیکی را تقلید میکنند. این نوآوری که در Nature Electronics مستند شده است، یک جهش بزرگ در فناوری محاسبات نورومورفیک (neuromorphic computing) محسوب میشود. این نوآوری امکان کاهش شدید اندازه تراشه، کاهش چشمگیر مصرف انرژی و پیشرفت بالقوه هوش مصنوعی عمومی (AGI) را فراهم میکند.
برخلاف پردازندههای دیجیتال مرسوم یا تراشههای نورومورفیک مبتنی بر سیلیکون که صرفاً فعالیت عصبی را شبیهسازی میکنند، این نورونهای مصنوعی جدید، دینامیک آنالوگ همتایان بیولوژیکی خود را بهصورت فیزیکی تجسم یا تقلید میکنند. همانطور که مواد نوروشیمیایی فعالیت مغز را آغاز میکنند، میتوان از مواد شیمیایی برای شروع محاسبات در این دستگاههای سختافزاری نورومورفیک (الهامگرفته از مغز) استفاده کرد. این دستگاهها با بودن یک تکرار فیزیکی از فرآیند بیولوژیکی، با تکرارهای قبلی نورونهای مصنوعی که صرفاً معادلات ریاضی بودند، تفاوت اساسی دارند.
این تحقیق، که توسط جاشوا یانگ (Joshua Yang)، استاد مهندسی کامپیوتر و برق USC هدایت میشود، نوع جدیدی از نورون مصنوعی مبتنی بر «ممریستور نفوذی» (diffusive memristor) را معرفی میکند. این دستگاه نفوذی به جای حرکت الکترونها (اساس محاسبات مدرن)، بر حرکت اتمها متکی است. چنین نورونهایی میتوانند تراشههای جدیدتری را فعال کنند که عملکردی بسیار شبیهتر به مغز ما داشته باشند، از نظر انرژی کارآمدتر بوده و میتوانند به آغاز عصر هوش مصنوعی عمومی (AGI) کمک کنند.
این نورونهای مصنوعی چگونه کار میکنند؟
در فرآیند بیولوژیکی، مغز از سیگنالهای الکتریکی و شیمیایی برای هدایت اقدامات در بدن استفاده میکند. سیگنالهای الکتریکی در نورونها با رسیدن به سیناپس (شکاف انتهای نورون)، برای عبور و پردازش اطلاعات به سیگنالهای شیمیایی تبدیل میشوند. در مغز انسان، این فرآیندها به یونهایی مانند پتاسیم، سدیم یا کلسیم متکی هستند.
در این مقاله جدید، تیم یانگ از یونهای نقره در اکسید برای تولید پالس الکتریکی و تقلید این فرآیندها جهت انجام محاسباتی مانند یادگیری و برنامهریزی استفاده میکند. یانگ توضیح میدهد: «اگرچه یونها دقیقاً مشابه سیستم بیولوژیکی نیستند، اما فیزیک حاکم بر حرکت یون و دینامیک آن بسیار شبیه است.» این دستگاه جدید به دلیل حرکت یون و انتشار دینامیکی که با استفاده از نقره رخ میدهد، «ممریستور نفوذی» نامیده میشود.
چرا این پیشرفت حیاتی است؟
یانگ تأکید میکند که مغز انسان «برنده تکامل و کارآمدترین موتور هوشمند» است. مشکل اصلی کامپیوترهای فعلی، قدرت نیست، بلکه راندمان پایین و مصرف انرژی بیش از حد آنهاست. این موضوع بهویژه با توجه به سطح انرژی مورد نیاز برای اجرای مدلهای بزرگ هوش مصنوعی اهمیت پیدا میکند. سیستمهای محاسباتی موجود ما هرگز برای پردازش این حجم از داده یا یادگیری از چند نمونه محدود (مانند مغز) طراحی نشدهاند.
- الکترونها در مقابل یونها: اگرچه الکترونها برای عملیات سریع بهترین هستند، اما یانگ توضیح میدهد: «یونها رسانه بهتری برای تجسم اصول مغز هستند.»
- یادگیری سختافزاری: مغز با حرکت دادن یونها در غشاها یاد میگیرد (که به آن ‘wetware’ میگویند) و به یادگیری کارآمد و تطبیقی مستقیماً در سختافزار دست مییابد.
به عنوان مثال، یک کودک خردسال میتواند پس از دیدن تنها چند نمونه، ارقام دستنویس را تشخیص دهد، در حالی که یک کامپیوتر به هزاران نمونه نیاز دارد. مغز انسان این کار را تنها با مصرف حدود ۲۰ وات انرژی انجام میدهد، در مقایسه با مگاوات انرژی مورد نیاز ابررایانههای امروزی.
تأثیر بالقوه: تراشههای کوچکتر و کممصرفتر
با این نوآوری، برای هر نورون فقط از فضای معادل یک ترانزیستور استفاده میشود (در حالی که طرحهای مرسوم دهها تا صدها ترانزیستور نیاز دارند).
یانگ میگوید: «ما در حال طراحی بلوکهای سازندهای هستیم که در نهایت ما را قادر میسازد تا اندازه تراشه را به میزان قابل توجهی کاهش دهیم و مصرف انرژی را به شدت پایین بیاوریم.» (البته تیم اشاره کرد که نقره مورد استفاده در این آزمایش به راحتی با ساخت نیمههادیهای مرسوم سازگار نیست و گونههای یونی جایگزین باید بررسی شوند.)
گام بعدی، ادغام تعداد زیادی از این سیناپسها و نورونهای مصنوعی و آزمایش این است که چقدر میتوانند راندمان و قابلیتهای مغز را تکرار کنند.
