توسعه رایانه هایی عجیب با شباهت بیشتر به عملکرد مغز انسان - عکس پارسی

محققان هلندی در مطالعه اخیرشان برای اولین بار نشان داده اند که توسعه یک سیستم محاسباتی مانند مغز در کوچک ترین مقیاس اتم امکانپذیر است.

در مطالعه ای که اخیرا در دانشگاه توئنته (UT) در هلند انجام شد، محققان رویای توسعه رایانه های نو شبیه مغز را یک قدم به واقعیت نزدیک تر کردند. یک گروه بین المللی از محققان به سرپرستی پروفسور کریستین نیجویس (Christian Nijhuis) نوع نوی از سوئیچ مولکولی را توسعه داده اند که می تواند از رفتار هایی که قبلا داشته است، بیاموزد. به گفته محققان این مولکول ها به همان روشی که مغز ما این کار را انجام می دهد در حال فراگیری این موضوع هستند.

پروفسور کریستین نیجویس گفت: رایانه ها، مراکز داده و سایر وسایل الکترونیکی انرژی زیادی مصرف می نمایند. ما اکنون در حال ساخت مزارع بادی بزرگ هستیم تا بتوانیم این تقاضای انرژی را برآورده کنیم. اما ما بعلاوه می توانیم توجه خود را به کارآمدتر کردن وسایل الکترونیکی خود معطوف کنیم. مغز ما جزو کارآمدترین رایانه هایی است که می شناسیم. مغز 10 هزار برابر کمتر از ارزان ترین رایانه ها انرژی مصرف می نماید.

این به این علت است که مغز ما داده ها را به روش های کاملا متفاوتی پردازش می نماید. در حالی که رایانه ها جریان های باینری اطلاعات را با صفر و یک پردازش می نمایند، مغز ما به طور مشابه با پالس های وابسته به زمان کار می نماید. مغز ما اطلاعات میلیون ها سلول عصبی را که از تمام حواس ما می آیند، بدون هیچ مسئله ای پردازش می نماید. هنگام انجام این کار، برخلاف الکترونیک سنتی، تنها از سلول های مغز و سیناپس هایی استفاده می نماید که پالس ها از آن عبور می نمایند. از آنجایی که انرژی فقط در یک پالس مصرف می گردد، مغز ما می تواند بسیاری از داده ها را در یک زمان بسیار کارآمدتر پردازش کند.

سخت افزار برای هوش مصنوعی

مولکول هایی که نیجویس و تیمش مهندسی نموده اند، می توانند تمام عملیات گیت منطقی بولی (Boolean logic gate) مورد احتیاج برای یادگیری عمیق را انجام دهند. در الکترونیک دیجیتال، دروازه منطقی یا گِیت منطقی (Logic gate)، روی یک یا دو ورودیِ منطقی، عملیات منطقی انجام می دهد و یک خروجی منطقی فراوری می نماید.

اساس عملکرد آن بر منطق بولی پایدار است که بر تمام مدار های دیجیتال حاکم است. گیت های منطقی عمدتاً از ادوات الکترونیکی مانند ترانزیستور ها تشکیل می شوند، ولی ممکن است از قطعات الکترومغناطیسی مانند رله ها، قطعات نوری یا حتی مکانیکی ساخته شوند.

یادگیری عمیق شکلی از یادگیری ماشینی مبتنی بر شبکه های عصبی مصنوعی است و به طور گسترده نه تنها در خصوص تشخیص اتوماتیک تصاویر و گفتار، بلکه در جستجوی دارو های نو و اخیراً در خلق هنر نیز استفاده می گردد.

نیجویس اظهار داشت که انجام همه آن ها برای رایانه بسیار دشوارتر از مغز ما است. محققان در زمینه نرم افزار های هوش مصنوعی پیشرفت زیادی نموده اند، اما این مولکول ها اکنون سخت افزار هوش مصنوعی را نیز به هم نزدیک تر می نمایند.

نورون های مصنوعی

برای شبیه سازی رفتار دینامیکی سیناپس ها در سطح مولکولی، محققان انتقال سریع الکترون را با جفت شدن آهسته پروتون که به وسیله انتشار محدود می گردد ترکیب کردند. این عملیات شبیه پالس های سریع و جذب آهسته انتقال دهنده های عصبی از نورون های مغز ما است.

مولکول ها می توانند قدرت و مدت این پالس ها را تغییر دهند. به این ترتیب، آن ها نوعی شرطی شدن کلاسیک را نشان می دهند. مولکول ها رفتار خود را با محرک هایی که قبلا دریافت نموده اند تطبیق می دهند. در آینده این نوع مولکول ها ممکن است به محرک های دیگری مانند نور نیز پاسخ دهند.

این پیشرفت، فرصت هایی را برای توسعه طیف نوی از سیستم های قابل انطباق و پیکربندی مجدد باز می نماید. این ها به نوبه خود می توانند به توسعه سیستم های تطبیقی چند منظوره نو منجر شوند که شبکه های عصبی مصنوعی را به طور قابل ملاحظه ای ساده می نمایند.

نیجویس اضافه کرد: با انجام این کار، ما به طور چشمگیری مصرف انرژی الکترونیک خود را کاهش خواهیم داد. مولکول های چند منظوره که به نور نیز حساس هستند یا می توانند مولکول های دیگر را شناسایی نمایند، می توانند به طور بالقوه به توسعه انواع نوی از شبکه های عصبی یا حسگر ها منجر شوند.

یافته های این مطالعه در مجله Nature Materials منتشر شد.