رایانش نورومورفیک می‌تواند محدودیت فیزیکی ساخت تراشه را حل کند

به گزارش سرویس تازه های دنیای فناوری مجله تک تایمز ،

بهترین کامپیوتر در جهان کدام است؟ قوی‌ترین و پیشرفته‌ترین کامپیوتر جهان برای گیمینگ کدام کامپیوتر است؟ کدام ابرکامپیوتری رتبه اول را در میان ۵۰۰ کامپیوتر برتر امسال کسب می‌کند؟ آیا کیت درون دیتاسنترهایی است که اپل یا مایکروسافت با آن‌ کار می‌کنند؟ خیر، قوی‌ترین کامپیوتر جهان درون جمجمه شما است!

مغزه انسان در رقابت با کامپیوتر بسیار جلو‌تر است. مغز کوچک و سبک است و مصرف انرژی پایین و سازش‌پذیری شگفت‌انگیزی دارد. به این دلایل، مغز انسان مدلی برای موج بعدی رایانش کامپیوتری است.

طراحی‌ الهام گرفته‌شده از مغز، مجموعا «رایانش نورومورفیک» (neuromorphic design) یا «رایانش شبه عصبی» نامیده می‌شود. حتی پیشرفته‌ترین کامپیوترها قابل مقایسه با مغز انسان یا حتی مغز اغلب پستانداران نیستند. بااین‌حال ماده خاکستری مغز ما می‌تواند راهنمای خوبی برای افزایش راندمان فراساختارهای رایانشی ازطریق شبیه‌سازی سیناپس‌ها و نورون‌های مغزی توسط مهندسان و توسعه‌دهندگان باشد.

مختصری درباره‌ی سازوکار سیستم‌های عصبی

در ابتدا کمی در مورد زیست‌شناسی سیستم عصبی صحبت می‌کنیم. نورون‌ها، سلول‌های عصبی هستند که به‌صورت کابل‌های منتقل‌کننده‌ی پیام از یک بخش بدن به بخش دیگر عمل می‌کنند. این پیام‌ها از یک نورون به نورون دیگر منتقل می‌شوند تا به بخش صحیح بدن برسند؛ جایی که می‌توانند اثری مثل آگاه کردن ما از درد، حرکت دادن یک ماهیچه یا ساخت یک جمله داشته باشند.   

محل انتقال یک پیام از یک نورون به نورون دیگر، فاصله‌ای بین پایانه‌های دو نورون است که سیناپس نامیده می‌شود. وقتی یک نورون ورودی کافی برای ایجاد یک پیام را دریافت کند، یک تکانه (ایمپالس) شیمیایی یا الکتریکی به‌صورت موجی به‌نام «پتانسیل عمل» در طول آن به جریان می‌افتد و با گذر از سیناپس به نورون بعدی یا سلولی دیگر مثل یک سلول عضلانی یا ترشحی منتقل می‌شود.

سیستم عصبی نورون سیناپس

 رایانش نورومورفیک و اثر آن روی آینده‌ی فناوری

نرم‌افزار رایانش نورومورفیک به‌دنبال این است تا این پتانسیل‌های عمل را درون شبکه‌های عصبی اسپایکی (Spiking neural networks – SNNs) بازسازی کند. SNN-ها از نورون‌هایی ساخته شده‌اند که ازطریق ایجاد پتانسیل‌های خودشان، به نورون‌های دیگر سیگنال می‌دهند و اطلاعات را منتقل می‌کنند. درست همانند فرایند یادگیری در مغز، شدت و زمان‌بندی پیام‌ها سبب تغییر آرایش اتصالات بین نورون‌های SNN می‌شود و با تغییر ورودی امکان یادگیری برای SNN فرآهم می‌آورد.

از دیدگاه سخت‌افزاری، روی آوردن به تراشه‌های نورومورفیک تغییری اساسی نسبت به CPU-ها و GPU-هایی است که امروزه در اغلب سخت‌افزارهای رایانشی مورد استفاده قرار می‌گیرند. چند وقتی است که معماری‌های قبلی، جواب‌گوی نیازهای امروزی نیستند و سازندگان روز‌به‌روز کار سخت‌تری برای قرار دادن ترانزیستورهای بیشتر روی این تراشه‌ها به‌منظور رفع محدودیت‌های فیزیکی، مصرف برق و تولید گرما دارند. درعین‌حال، ما روزبه‌روز در حال تولید داده‌های رایانشی بیشتری هستیم و نیاز ما به قدرت رایانشی، روزبه‌روز بیشتر می‌شود. بنابراین کامپیوترهای ابرقدرتمند، ابرسازش‌پذیر و ابرکم‌مصرفی که درون سرهای ما هستند، روزبه‌روز به‌عنوان یک مدل فناوری، جالب‌تر به‌نظر می‌رسند.

سوهاس کومار (Suhas Kumar)، دانشمند بخش تحقیق و توسعه شرکت هیولت پاکارد (HP)، می‌گوید: «بهترین کامپیوترهای ما به رکود و نوسان عملکردی رسیده‌اند. اکنون وقت آن رسیده است که به‌سرعت چیزی بسازیم که بتواند ادامه پیشرفت علوم کامپیوتری جدید را که در دهه‌های پیشین دیده‌ایم، ممکن سازد. مردم به‌دنبال فناوری‌های جدید هستند و احتمالا (رایانش) نورومورفیک نویدبخش‌ترین این فناوری‌ها است.»

در سخت‌افزار نورومورفیک، برخلاف اغلب تراشه‌های امروزی، حافظه و رایانش جدا از هم نیستند و پردازنده‌ها، حافظه خودشان را دارند. این ساختار، شباهات بیشتری به مغز دارد و ضمن بالا بردن راندمان عملکردی و مصرف انرژی، پردازش را سریع‌تر می‌کند.

رایانش کامپیوتری می‌تواند موج جدیدی در کاربردهای هوش مصنوعی (AI) راه بیاندازد. هوش مصنوعی کنونی، غالبا بسیار محدود است و توسط یادگیری از داده‌های ذخیره‌شده و الگوریتم‌های در حال ‌توسعه و اصلاح برای رسیدن به نتیجه مطلوب، توسعه یافته است. بااین‌حال، با استفاده از فناوری‌های نورومورفیک شبیه مغز، می‌توان امکان یادگیری وظایف جدید را برای هوش مصنوعی فرآهم آورد. از آن‌جایی که سیستم‌های نورومورفیک می‌توانند همانند مغز انسان کار کنند و می‌توانند با عدم قطعیت، سازش، استفاده زیاد و سنگین و داده‌های پیچیده جهان واقعی کنار بیایند، می‌توانند زمینه را برای عمومی‌ترشدن هوش مصنوعی ایجاد کنند.

ریشه‌های رایانش کامپیوتری به سیستم‌های رایانشی که در اواخر دهه ۱۹۸۰ و به منظور مدل‌سازی کارکرد سیستم‌های عصبی حیوانات توسعه یافتند، بازمی‌گردند. از آن زمان تا به امروز، سرعت رایانش نورومورفیک به اندازه‌ای زیاد شده است که بعضی از بزرگ‌ترین نام‌های فناوری، سخت‌افزارنورومورفیک تولید کرده‌اند؛ به‌عنوان مثال، تراشه TrueNorth شرکت IBM، تراشه Loihiا۱۲۸ هسته‌ای اینتل و سیستم نورومورفیک Pohoiki Beach.

البته درحال‌حاضر اکثر کاربردهای سیستم‌های نورومورفیک محدود به آزمایشگاه‌های تحقیقاتی است. برای مثال، سخت‌افزار نورومورفیک اینتل در توسعه‌ی یک نمونه آزمایشی از یک بازوی روباتیک نصب‌شونده روی صندلی چرخ‌دار برای افراد دارای آسیب‌های نخاعی و پوست مصنوعی برای ایجاد حس لامسه‌ی مصنوعی در ربات‌ها مورد استفاده قرار می‌گیرد. بااین‌حال بعید است که کاربردهای رایانش نورومورفیک در سطح آزمایشگاهی باقی بماند و به‌گفته‌ی کومار، تا ۵ سال دیگر اولین سیستم‌های تجاری متکی بر رایانش کامپیوتری وارد بازار می‌شوند.

مسئله کنونی در رایانش، قرار دادن قطعات بیشتر روی یک تراشه کوچک‌تر است؛ ولی در آینده مسئله اصلی رایانش، گنجاندن هوش بیشتر درون تراشه‌ها خواهد بود

ابهورنیل سنگوپتا (Abhornil Sengupta)، استادیار دانشکده مهندسی الکتریکی و علوم کامپیوتر دانشگاه پنسیلوانیا، می‌گوید: «اغلب پیشرفت‌ها در حوزه رایانش کامپیوتری بسیار متفاوت از سطح فناوری کنونی و همانند جهشی نسبت به آن هستند. انتظار می‌رود فراگیر شدن سخت‌افزارهای رایانش نورومورفیک به اندازه سخت‌افزارهای CMOS امروزی، زمان زیادی ببرد.»

او ادامه می‌دهد: «درست است که چالش‌هایی پیش روی رایانش کامپیوتری وجود دارد ولی من فکر می‌کنم که پیشرفت قابل توجهی در این حوزه انجام شده است و پیشرفت‌های قابل توجهی نیز در آینده برای غلبه بر آن چالش‌ها، صورت خواهد گرفت».

کاربردهای رایانش نورومورفیک

تصور می‌شود که اولین سیستم‌های نورومورفیک را در ربات‌ها و خودروهای خودران ببینیم که رایانش احتمالاتی در آن‌ها کاربرد ویژه‌ای دارد و برای مثال می‌تواند خطر ورود شخصی به جاده را محاسبه کرده و رفتار خودرو را بر آن اساس، تغییر دهد.

رایانش نورومورفیک قابلیت این را دارد که علاوه بر گسترش کارهایی که هوش مصنوعی می‌تواند انجام دهد، طیف سخت‌افزارهای دارای قابلیت هوش مصنوعی را نیز گسترش دهد. به‌عنوان مثال، به‌جای اینکه کارهای هوش مصنوعی به سیستم‌های ابری سپرده شوند که مصرف انرژی بسیار بالایی دارند و باید به‌طور کارآمدی خنک شوند، راندمان بالای سیستم‌های رایانش نورومورفیک و مصرف انرژی پایین آن‌ها به این معنی است که می‌توان کارهای هوش مصنوعی را در سخت‌افزارهایی مثل گوشی‌های هوشمند، تبلت‌ها، پهپادها و پوشیدنی‌هایی مثل ساعت‌ها انجام داد.

آقای کومار می‌گوید: «تا به امروز، مسئله اصلی رایانش، گنجاندن قطعات بیشتر روی فضای کمتری از تراشه‌ها بوده است. بااین‌حال، هرچه جلوتر برویم، مسئله اصلی رایانش، گنجاندن هوش بیشتر درون تراشه‌ها یا به عبارت دیگر، گنجاندن عملکردهای بیشتر در حجم مشخصی از ماده خواهد شد. این کار نیازمند نوآوری‌هایی در همه جنبه‌های سخت‌افزاری و نرم‌افزاری رایانش، از مواد مورد استفاده تا معماری و نرم‌افزار تراشه است».

تراشه نورومورفیک و شبیه سازی شبکه عصبی مغز

آینده‌ی رایانش نورومورفیک

برای اینکه رایانش نورومورفیک اثر قابل توجهی داشته باشد، باید تغییراتی در مقیاس گسترده‌تری از صنعت فناوری ایجاد شود. برای مثال، فناوری‌های حسگر هنوز برای اینکه به خوبی با سیستم‌های نورومورفیک کار کنند، آماده نشده‌اند و باید مجددا و به شیوه‌ای طراحی شوند تا بتوانند داده‌ها را به‌صورتی قابل پردازش توسط تراشه‌های نورومورفیک، استخراج کنند. 

تنها سخت‌افزارها نیستند که باید تغییر کنند؛ بلکه مردم نیز باید خودشان را تغییر دهند. به گفته مایک دیویس (Mike Davies)، مدیر آزمایشگاه رایانش نورومورفیک اینتل، درحالی‌که رایانش نورومورفیک از نظر سخت‌افزاری به بلوغ نسبی رسیده است، یکی از چالش‌های پیش روی آن، مدل‌های برنام نویسی نرم‌افزاری پایه‌ای و بلوغ الگوریتمی است. دیویس می‌افزاید: «در اینجا باید مشارکتی واقعی بین عصب‌شناسان و نسل جدیدی از دانشمندان روشن فکر در حوزه یادگیری ماشین وجود داشته باشد تا در رابطه با انجام رایانش به این شیوه جدید فکر شود».

رایانش نورومورفیک می‌تواند سبب ایجاد یک صنعت تکنولوژی میان رشته‌ای بسیار پیچیده‌تر شود که رایانش در آن به مسئله طراحی صفر تا صد یک سیستم تبدیل شود. همکاری بهتر با عصب‌شناسان محتمل به‌نظر می‌رسد زیرا مغز چیزهای بسیار بیشتری برای گفتن به ما در رابطه با رایانش بهتر، به‌ویژه در رابطه با الگوریتم‌ها دارد.

در ادامه بخوانید:

به‌عنوان مثال، سنگوپتا از دانشگاه پنسیلوانیا، روی بازسازی روش اثرگذاری سلول‌های گلیال روی همگام‌سازی فازی نورونی برای رایانش کامپیوتری کار می‌کند. سلول‌های گلیال به سلول‌های پشتیبان مغز معروف هستند. او استدلال می‌کند که رمزگشایی از جنبه‌های مختلفی که می‌توانند از دیدگاه الهام پذیری از مغز سود ببرند، پتانسیل عظیمی را آزاد خواهد کرد. سنگوپتا اضافه می‌کند: «من احساس می‌کنم که رمزگشایی از دیگر جنبه‌های متنوع مغزی مثل بخش‌های مجزا یا اساس معماری آن برای طراحی بهتر الگوریتم مسیر بسیار امیدبخشی به سمت جلو است».

بمنظور اطلاع از دیگر خبرها به صفحه اخبار فناوری مراجعه کنید.
منبع خبر

برچسب ها

نوشته های مشابه

بستن