دانشمندان در دانشکده مهندسی ویتربی USC، آیندهای را میسازند که در آن هوش مصنوعی فقط تفکر را شبیهسازی نمیکند، بلکه به صورت فیزیکی مانند مغز انسان عمل میکند. در یک مطالعه پیشگامانه که در مجله Nature Electronics منتشر شده، آنها نورونهای مصنوعی را توسعه دادهاند که رفتار الکتروشیمیایی پیچیده سلولهای مغزی ما را بازتولید میکنند.
این فقط یک مدل نرمافزاری دیگر نیست؛ بلکه یک تغییر بنیادین در طراحی سختافزار است. در حالی که کامپیوترهای سنتی و حتی تراشههای نورومورفیک قدیمیتر از الکترونها و مدلهای ریاضی برای تقلید فعالیت مغز استفاده میکنند، این دستگاههای جدید از حرکت واقعی یونها استفاده میکنند—فرآیندی که شیمی خود مغز را منعکس میکند. نوآوری کلیدی، دستگاهی به نام «ممریستور نفوذی» (diffusive memristor) است که از یونهای نقره برای ایجاد پالسهای الکتریکی استفاده میکند که شباهت زیادی به سیگنالهای سیستم عصبی ما دارند.
این تیم به رهبری پروفسور جاشوا یانگ، موفق شده است رقص پیچیده سیگنالهای الکتریکی و شیمیایی را که در یک سیناپس رخ میدهد، بازسازی کند. در مغز ما، یک تکانه الکتریکی به یک سیگنال شیمیایی تبدیل میشود تا از شکاف عبور کرده و به نورون بعدی برسد. تیم یانگ این فرآیند را با دقتی قابل توجه تکرار کرده و یک بازآفرینی ملموس از عملکرد بیولوژیکی ایجاد کرده است.
عصری جدید از بهرهوری
پیامدهای این دستاورد شگفتانگیز است. یکی از بزرگترین موانع برای هوش مصنوعی مدرن، مصرف انرژی عظیم آن است. آموزش مدلهای بزرگ هوش مصنوعی میتواند به مگاواتها انرژی نیاز داشته باشد، که با بهرهوری شگفتانگیز مغز با تنها ۲۰ وات، فاصله زیادی دارد. پروفسور یانگ اشاره میکند که مشکل کمبود قدرت نیست، بلکه عدم بهرهوری است. او توضیح میدهد: «سیستمهای محاسباتی موجود ما هرگز برای پردازش حجم عظیمی از دادهها یا یادگیری از تنها چند مثال به تنهایی طراحی نشدهاند.»
این نورونهای مصنوعی جدید مستقیماً به این مشکل میپردازند. آنها نه تنها از نظر انرژی کارآمد هستند، بلکه به طور باورنکردنی فشرده نیز میباشند. هر نورون مصنوعی را میتوان در فضای یک ترانزیستور منفرد ساخت، در حالی که طراحیهای قبلی به دهها یا حتی صدها ترانزیستور نیاز داشتند. این میتواند به تراشههایی منجر شود که از نظر اندازه و قدرت، порядکها (orders of magnitude) کوچکتر و قویتر باشند و راه را برای هوش مصنوعی واقعاً پایدار و قدرتمند هموار کنند.
سختافزاری که یاد میگیرد
تفاوت اصلی در حرکت از یادگیری مبتنی بر نرمافزار به یادگیری مبتنی بر سختافزار نهفته است. الکترونها سریع اما فرار هستند و برای نرمافزاری که روی سختافزار اجرا میشود مناسباند. یونها، به دلیل سنگینتر بودن، برای تجسم یادگیری به طور مستقیم در ساختار فیزیکی سختافزار—مفهومی نزدیکتر به «سختافزار زیستی» (wetware) مغز—بهتر هستند.
یانگ میگوید: «مغز با حرکت دادن یونها در غشاها یاد میگیرد و یادگیری کارآمد و تطبیقی را مستقیماً در سختافزار به دست میآورد.» به همین دلیل است که یک کودک میتواند پس از دیدن یک شیء جدید فقط یک بار آن را تشخیص دهد، در حالی که یک هوش مصنوعی ممکن است به هزاران مثال نیاز داشته باشد.
قدمهای بعدی برای این تیم تحقیقاتی شامل یکپارچهسازی تعداد زیادی از این نورونها و سیناپسهای مصنوعی برای آزمایش قابلیتهای آنها در مقیاس بزرگتر است. اگرچه نقره استفاده شده در نمونه اولیه فعلی با فرآیندهای استاندارد تولید نیمههادیها سازگار نیست، تیم در حال بررسی سایر مواد یونی است. این پیشرفت یک گام بزرگ به سوی ایجاد هوش مصنوعی نزدیکتر به هوش طبیعی است و حتی میتواند به ما در گشودن رازهای خود مغز انسان کمک کند.
منبع: SciTechDaily