محاسبات مبتنی بر مغز برای هوشمندی ماشین پس از ۳۰ سال از متولد شدن این مفهوم، دوباره در قالب تراشه­‌های نورومورفیک پدیدار می­‌شود. سامانه‌های نورومورفیک از ساختار مغز برای حل مساله تقلید می‌کنند. برای آشنایی بیشتر با این سامانه‌ها با مجله فناوری‌های توان افزا و پوشیدنی همراه باشید.

مغز انسان به عنوان پدیده‌­ای تکامل یافته، در حدود ۲۰ وات به عنوان انرژی پایه مصرف می‌کند که به آن قدرت پردازش کارهای پیچیده را در مدت میلی ثانیه می­‌دهد. پردازنده‌­های مرکزی و گرافیکی امروزی به طرز قابل توجهی کارهای پردازشی سریالی را بهتر از مغز انسان انجام می‌­دهند. با این حال فرایند انتقال داده از حافظه به پردازنده و برعکس در فرایند پردازش تاخیر ایجاد می‌کند و علاوه بر آن انرژی زیادی نیز مصرف می­‌شود.

سامانه­‌های نورومورفیک سعی در تقلید از عملکرد سامانه عصبی انسان دارند. این شاخه از مهندسی در تلاش است تا از ساختار بیولوژیکی احساسی و سامانه‌­های عصبی پردازش اطلاعات تقلید کند. به عبارت دیگر، محاسبات نورومورفیک، جنبه­ه‌ای مختلف شبکه‌­های عصبی بیولوژیکی را در قالب سیگنال­‌های آنالوگ و دیجیتال در مدارهای الکترونیکی پیاده سازی می­‌کند.

مهندسی نورومورفیک : از دهه ۱۹۸۰ توسعه یافته است

نورومورفیک به هیچ وجه مفهوم جدیدی نیست. مانند بسیاری دیگر از فناوری­‌های نوظهور که هم اکنون در حال شتاب گرفتن هستند، نورومورفیک برای مدتی طولانی در سکوت در حال توسعه بوده است. اما همچنان نیاز به کارهای بیشتری برای درخشش داشت.

بیش از ۳۰ سال پیش، در دهه ۱۹۸۰، پروفسور Carver Mead، دانشمند و مهندس آمریکایی پیشگام در ریزپردازنده‌­ها، مفهوم مهندسی نورومورفیک را ایجاد کرد که به آن محاسبات نورومورفیک می‌گویند.

مهندسی نورومورفیک، استفاده از سامانه­‌های یک پارچه با مقیاس بسیار بزرگ (VLSI) را که حاوی مدارهای آنالوگ الکتریکی هستند، توصیف می­‌کند. این مدارها به گونه‌­ای تنظیم شده‌اند که از معماری عصبی بیولوژیکی موجود در سامانه­ عصبی انسان تقلید می­‌کنند.

محاسبات نورومورفیک از مغز انسان الهام می ­گیرد

محسبات نورومورفیک از معماری و پویایی مغز انسان برای ایجاد سخت افزار کم ­مصرف در زمینه پردازش اطلاعات الهام گرفته است که آن را قادر به انجام کارهای بسیار پیچیده می­‌کند.

محسبات نورومورفیک شامل تولید و استفاده از شبکه­‌های عصبی می­‌شود و از مغز انسان برای طراحی تراشه­‌های رایانه­‌ای که توانایی ادغام حافظه و پردازش را دارند، الهام گرفته است. در مغز انسان سیناپس­‌ها دسترسی مستقیم حافظه به سلول‌­های عصبی که وظیفه پردازش اطلاعات را دارند، فراهم می­‌کنند.

برای دهه­‌ها، مهندسان برق مجذوب مهندسی زیستی و محاسبات عصبی و توسعه کاربردی مدارهای سیگنال مختلط برای شبکه‌های عصبی مصنوعی شدند. حل این چالش همکاری طیف گسترده‌­ای از دستگاه­‌های الکترونیکی و الگوریتم‌­ها را طلب می‌کند. با این حال از کاربردهای عملی سامانه­‌های نورومورفیک در زندگی روزمره استفاده خواهد شد و این به تنهایی ارزش تلاش در این زمینه را دارد.

محاسبات نورومورفیک : چرا به آن نیاز است

پروفسور Dmitri Strukov، مهندس برق در دانشگاه کالیفرنیا در سانتا باربارا، در مصاحبه با Nature Communications در مورد فرصت­‌ها، چالش­‌های توسعه فناوری الهام گرفته از مغز و معنی محاسبات نورومورفیک و در پاسخ به این سوال که چرا به محاسبات ن نورومورفیک نیاز داریم، گفت: “هوش مصنوعی نه تنها به الگوریتم­‌های جدید بلکه به سخت افزار جدید هم نیاز دارد. ما در یک نقطه عطف قرار داریم. جایی که پایان قانون مور و پایان رکود در عملکرد رایانه­‌های ما است. امروزه ما اطلاعات بیشتری تولید می­‌کنیم که باید ذخیره و پردازش شوند.“

Dmitri Strukov در ادامه می­‌گوید که چگونه پیشرفت­‌های اخیر در هوش مصنوعی امکان خودکار شدن این فرایند را فراهم می ­کند، با چندین برابر شدن مراکز داده با هزینه­ ای که به طور فزاینده ­ای از مصرف الکتریسیته افزایش می­‌‌یابد، این یک مشکل بالاقوه برای محیط زیست است. Strukov گفت: “این مصرف انرژی به طور عمده از ترافیک داده‌­ها میان حافظه و واحدهای پردازشی در رایانه حاصل می­‌شود.“

او در ادامه می‌­گوید، این مورد انرژی الکتریکی را هدر می­‌دهد و سرعت پردازشی را به صورت قابل ملاحظه­‌ای کاهش می­‌دهد. پیشرفت­‌های اخیر در حوزه فناوری نانو این امکان را فراهم می­‌کند تا فاصله میان حافظه و پردازش بسیار کاهش یابد و حتی بهتر از آن حافظه به طور مستقیم در واحد پردازش ادغام شود.

Dmitri Strukov

به گفته­ Strukov ایده محاسبات نورومورفیک از مغز انسان برای طراحی تراشه‌­های رایانه‌­ای الهام گرفته است و حافظه و واحد پردازش را در هم ادغام می­‌کند. در مغز سیناپس‌­ها دسترسی مستقیم حافظه به سلول­‌های عصبی که اطلاعات را پردازش می­‌کنند، فراهم می‌کنند. اینگونه مغز با مصرف کم انرژی و سرعت بالا اطلاعات را پردازش می‌­کند. با تقلید از این معماری محاسبات نورومورفیک راهی برای ساخت تراشه­‌های نورومورفیک هوشمند فراهم می­‌کنند که انرژی بسیار کمی فراهم می­‌کند و در عین حال با سرعت بالایی به این کار می‌پردزاد.

تراشه­ های نورومورفیک : الهام گرفته از قدرت محاسباتی مغز انسان

از نظر برخی ممکن است به نظر برسد که محاسبات نورومورفیک متعلق به آینده‌­ای دور است. با این حال این فناوری از آنچه به نظر می­‌رسد نزدیک‌تر است. فراتر از پژوهش‌ها و گمانه زنی‌­های آینده نگرانه، آزمایشگاه نورومورفیک اینتل یک تراشهی پژوهشی نورومورفیک خودآموز با نام رمز Loihi ایجاد کرده است. این تراشه پنجمین تراشه‌­ای است که اینتل در سپتامبر ۲۰۱۷ به عنوان یک تراشه­ پژوهشی معرفی کرد.

به عنوان یک واقعیت جالب توجه، نام انتخاب شده اینتل برای تراشه، در هاوایی به معنی “طولانی” است.

Loihi یک پردازنده­ چندگانه نورومورفیک با یادگیری بر روی تراشه است. تراشه ۱۴ نانومتری Loihi اینتل شامل بیش از ۲ میلیارد ترانزیستور، ۱۳۰۰۰۰ نورون مصنوعی و ۱۳۰ میلیون سیناپس است.

تراشه Loihi طیف گسترده‌­ای از ویژگی­‌های جدید مانند قوانین یادگیری سیناپسی قابل برنامه ریزی را فراهم می­‌کند. طبق گفته اینتل، تراشه­ نورومورفیک نسل بعدی تقویت کننده هوش مصنوعی است.

چکیده‌­ای از مقاله­‌ای در مورد Loihi: A Neuromorphic Manycore Processor with On-Chip Learnin

Loihi یک جفت تراشه ۶۰ میلی متری است که در فرایند ۱۴ نانومتری اینتل ساخته شده است و پیشرفته‌­ترین مدل­‌سازی شبکه­‌های عصبی در سیلکون را دارد. این مجموعه طیف گسترده‌­ای از ویژگی­‌های جدید مانند اتصال سلسله مراتبی، محفظه‌­های دندریتیک، تاخیرهای سیناپسی و از همه مهمتر قوانین یادگیری سیناپسی قابل برنامه ریزی را فراهم می­‌کند. Loihi می‌­تواند با اجرای یک فرم کانولوشن چرخشی الگوریتم رقابتی محلی، مشکلات بهینه سازی LASSO را با بیش از سه مرتبه energy-delay-product در مقایسه با حلگرهای معمولی، حل کند. این یک نمونه بدون الهام از محسبات مبتنی بر spike را ارائه می­‌دهد و از همه راه حل‌­های معمول شناخته شده، بهتر عمل می­‌کند.

آینده محاسبات نورومورفیک

اخیرا اینتل و آزمایشگاه­‌های ملی Sandia توافق نامه‌­ای سه ساله امضا کردند تا طی این همکاری ارزش محاسبات نورومورفیک را برای مشکلات کوچک‌تر هوش مصنوعی بررسی کنند.

طبق گفته­ اینتل Sandia پژوهش‌هاب خود را با استفاده از یک سامانه ۵۰ میلیون نورونی مبتنی بر Loihi که به تاسیسات آن در Albuquerque نیومکزیکو تحویل داده شده، آغاز کرده است. این نخستین کار با Loihi، اساس همکاری­‌های بعدی خواهد بود که انتظار می‌­رود شامل پژوهش‌هایی گسترده در زمینه نسل بعدی معماری نورومورفیک اینتل و ایجاد بزرگترین سامانه پژوهشی نورومورفیک اینتل تا این تاریخ باشد که ظرفیت محاسباتی بیش از ۱ میلیارد نورون را فراهم آورد.

پس از انتشار توافق نامه، Mike Davies، مدیر آزمایشگاه محاسبات نورومورفیک اینتل گفت: آزمایشگاه‌­های ملی Sandia با استفاده از قابلیت‌­های سریع، با راندمان بالا و انطباق معماری نورومورفیک، شتاب بارهای کاری با تقاضای بالا که مکررا در حال تکامل هستند را کشف خواهد کرد. ما مشتاقانه منتظر یک همکاری سازنده هستیم که منجر به نسل بعدی ابزارهای عصبی، الگوریتم‌­ها و سامانه‌­­هایی شود که می‌توانند تا سطح میلیارد نورون و حتی بیشتر از آن برسند.

حل مشکلات محاسباتی با روش محاسبات نورومورفیک

واضح است که انتظارات زیادی در مورد فناوری نورومورفیک وجود دارد. در حالی که پژوهش‌ها در این زمینه همچنان ادامه دارد، پیشرفت­‌های جدید نشان می‌دهد محاسبات نورومورفیک می‌توانند برای مشکلات محاسباتی بزرگ و پیچیده که نیاز به پردازش در زمان واقعی، سازگاری و یادگیری اساسی دارند، ارزش ایجاد کنند.

اینتل، به عنوان پیشرو در پژوهش‌های نورومورفیک، با انتشار یک سامانه ۱۰۰ میلیون نورونی، Pohoiki Springs ، به انجمن پژوهش‌های نورومورفیک اینتل (INRC) به طور فعال در حال کشف این پتانسیل است. پژوهش‌های نخست انجام شده در Pohoiki Springs نشان می‌دهد که چگونه محاسبات نورومورفیک می‌توانند حداکثر چهار مرتبه بهره وری انرژی بهتر برای رضایت از محدودیت – یک مشکل استاندارد محاسبات با عملکرد بالا – در مقایسه با پردازنده های پیشرفته ارائه دهند.

یکی از اهداف تلاش مشترک، درک بهتر چگونگی استفاده از فناوری‌های نوظهور، مانند محاسبات نورومورفیک، به عنوان ابزاری برای مقابله با جدی ترین چالش‌های علمی و مهندسی فعلی است.

این چالش‌ها شامل مشکلاتی در محاسبه‌های علمی، مقاله با سلاح‌های هسته ای، مقاله با تروریسم، انرژی و امنیت ملی است. امکانات متنوع و شاید نامحدود است. همانطور که می‌بینیم، تعداد برنامه های کاربردی بیشتر از مواردی است که ممکن است در ابتدا تصور شود.

شبیه سازی های علمی و محاسبات نورومورفیک

در این مرحله، پژوهش‌های پیشرفته در زمینه محاسبات نورومورفیک مقیاس پذیر برای تعیین موثرترین جایگاه برای این سامانه­‌ها و چگونگی ایجاد ارزش برای دنیای واقعی، از اهمیت بالاتری برخوردار است. برای شروع، در این پژوهش جدید، قصد دارند مقیاس بندی بارهای مختلف شبکه عصبی افزایش دهنده، از مدل سازی فیزیک گرفته تا تجزیه و تحلیل نمودار تا شبکه‌های عمیق در مقیاس بزرگ را ارزیابی کنند.

طبق گفته اینتل، این نوع از مسائل برای انجام شبیه سازی‌های علمی مانند مدل سازی فعل و انفعالات ذرات در مایعات، پلاسما و مواد مفید است. علاوه بر این، این دسته از شبیه سازی‌های فیزیکی به طور فزاینده­ای نیاز به استفاده از قابلیت­‌های پیشرفت در بهینه سازی، علم داده و یادگیری ماشین دارند تا راه حل های مناسب را پیدا کنند.

بر این اساس، برنامه های کاربردی بالقوه شامل شبیه سازی رفتار مواد، یافتن الگوها و روابط در مجموعه داده‌ها و تجزیه و تحلیل رویدادهای زمانی از داده های حسگر است. می‌توان گفت که این فقط آغاز کار است. هنوز دیده نشده است که چه برنامه های واقعی در حال ظهور هستند.

مهندسی نورومورفیک: ملاحظات اخلاقی

این واقعیت که سامانه‌­های عصبی برای تقلید از مغز انسان طراحی شده اند، سوالات اخلاقی مهمی را ایجاد می‌کند. در واقع تراشه­‌های نورومورفیک استفاده شده در هوش مصنوعی، بیش از منطق رایج رایانه، به منطق انسان نزدیک هستند.

وقتی انسان با دستگاهی در اتاق روبرو می‌شود که عملکرد آن شباهت‌های بیشتری به شبکه‌های عصبی انسان دارد و نه یک ریز پردازنده، چه برداشت‌ها ، نگرش‌ها و پیامدهایی را می‌تواند در آینده به همراه داشته باشد؟

در حالی که فناوری نورومورفیک هنوز در مراحل ابتدایی است، این رشته به سرعت در حال پیشرفت است. در آینده نزدیک، تراشه­‌های نورومورفیک موجود در بازار به احتمال زیاد بر روی دستگاه­‌های رباتیک و سامانه­‌های اینترنت اشیا تأثیر خواهند گذاشت. محاسبات نورومورفیک در حال حرکت به سمت تراشه‌­های کم مصرف و کوچک است که می­‌تواند در زمان واقعی یادگیری بگیرد و نتیجه گیری کند.

---

بیشتر بخوانیم:
تشخیص شبکه مغزی کودکان با هوش مصنوعی
هوش مصنوعی جان انسان ها را نجات می دهد
یافتن درکی دقیق از معنای هوش مصنوعی

---

منبع: interestingengineering

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوریهای توان افزا و پوشیدنی) مجاز است.»