موضوع: تراشه‌های عصب‌گون

ماهنامه شبکه - شماره 164

ریزپردازنده‌هایی که به‌جای تراشه‌های سنتی همچون مغز پیکربندی شده‌اند، به‌زودی کامپیوترها را نسبت به محیط اطراف هوشیارتر خواهند کرد.روباتی به اندازه یک سگ کوچک با نام پایونیر سرش را به‌آرامی به‌سوی عروسکی روی فرش می‌چرخاند. روبات و عروسک در یک مدل مصنوعی از اتاق ‌خواب کودک روبه‌روی هم قرار گرفته‌اند. این مدل ساخته تراشه‌ساز مشهور، کوالکام است. روبات مکث می‌کند، چنان‌که انگار در حال ارزیابی موقعیت است. سپس، با بازوی مکانیکی پارومانند در سینه خود زیر عروسک می‌اندازد، می‌چرخد و آن را به سمت سه ستونی هل می‌دهد که نماینده قوطی‌های اسباب‌بازی هستند. ایلوو چنگ، مهندس ارشد کوالکوام، دو دست خود را به سمت ستونی دراز می‌کند که عروسک باید در آن‌جا گذاشته شود. پایونیر نیز حرکت مذکور را با دوربین خود دریافت و از دستور پیروی می‌کند. سپس، برمی‌گردد و عروسک متفاوت دیگری پیدا می‌کند. این بار پایونیر بدون توجه به شطرنجی که سر راه است، یک‌راست سراغ عروسک می‌رود و آن را بدون هیچ راهنمایی انسانی به همان ستون می‌رساند.

ممکن است نمایش مذکور در مقر اصلی کوالکام کمی پیش پا افتاده به‌نظر برسد، اما این فقط چشمه کوچکی از آینده محاسبات است. این روبات وظایفی را انجام می‌دهد که پیش از این نیازمند کامپیوترهای قدرت‌مند و ویژه بود و مقدار بسیار بیش‌تری برق مصرف می‌کرد. پایونیر که فقط به یک تراشه اسمارت‌فون با یک برنامه ویژه مجهز است، می‌تواند اشیایی که قبلاً ندیده بشناسد، اشیا مرتبط را مرتب کند و از میان اتاق حرکت کند و اشیا را به محل مناسب برساند. البته این کار را به واسطه یک برنامه‌نویسی طاقت‌فرسا انجام نمی‌دهد، بلکه فقط کافی است یک بار به آن نشان داده شود که اشیا کجا باید بروند. پایونیر به این دلیل می‌تواند این کار را انجام دهد که عملکرد مغز انسان را شبیه‌سازی می‌کند؛ البته در ابعاد و شکلی بسیار محدودتر.

کوالکام در سال جدید میلادی نشان خواهد داد که این فناوری چگونه می‌تواند درون تراشه‌های سیلیکونی کاربردی کاشته شود. این تراشه‌های عصبی یا «عصب‌گون» (Neuromorphic chips؛ این نام از آن‌جا گذاشته شده که این تراشه‌ها بر اساس مغز بیولوژیک ساخته شده‌اند) طوری طراحی خواهند شد که داده‌های حسی همچون تصویر و صدا را پردازش کنند و طوری به تغییر در این داده‌ها واکنش نشان دهند که لزوماً برنامه‌نویسی نشده‌اند. آن‌ها وعده می‌دهند که دهه‌ها تلاش غیرمستمر در زمینه هوش مصنوعی را شتاب دهند و به دستگاه‌هایی برسند که می‌توانند دنیای اطراف را همچون انسان‌ها بفهمند و با آن تعامل داشته باشند؛ مثلاً حس‌گرها و دستگاه‌هایی که می‌توانند علائم سلامتی و حیاتی شخص را ردیابی کنند، طی زمان تأثیر دارو را زیر نظر داشته و یاد بگیرند که دوز دارو را تغییر دهند یا حتی مشکل را زودتر دریابند.

تراشه‌های عصبی یا «عصب‌گون» طوری طراحی خواهند شد که داده‌های حسی همچون تصویر و صدا را پردازش کنند و طوری به تغییر در این داده‌ها واکنش نشان دهند که لزوماً برنامه‌نویسی نشده‌اند.

گوشی هوشمند می‌تواند یاد بگیرد خواسته بعدی کاربر را پیش‌بینی کند؛ مثلاً نمایش اطلاعات با فردی که با آن قرار دارید یا اخطار دادن درباره این‌که وقت رفتن به‌سوی جلسه بعدی است. خودروهای خودرانی که گوگل روی آن‌ها کار می‌کند نیز ممکن اصلاً به کمک شما نیازی نداشته باشند و جاروبرقی‌های خودکار نیز دیگر زیر مبل گیر نمی‌کنند. متیو گراب، مدیر ارشد فناوری کوالکوام می‌گوید: «ما در حال محو کردن مرز میان سیستم‌های بیولوژیک و سیلیکونی هستیم.»

تراشه‌های کوالکوام سال آینده عرضه خواهند شد و شرکت در این مدت مشغول استخدام پژوهش‌گران برای امتحان فناوری خواهد بود؛ اما اگر عرضه شود، این پروژه (با نام رمز Zeroth) نخستین پلتفرم تجاری در ابعاد بزرگ برای محاسبات عصب‌گون خواهد بود. این جدای از تلاش‌های امیدبخش در مرکز تحقیقات آی‌بی‌ام و HRL Laboratories خواهد بود که هر کدام تراشه‌های عصب‌گون را تحت پروژ‌ه‌های صد میلیون دلاری برای دولت امریکا توسعه داده‌اند. علاوه بر این، پروژه Human Brain در اروپا صد میلیون یورو روی پروژه‌های عصب‌گون سرمایه‌گذاری کرده است که از آن جمله می‌توان به تلاش‌هایی در دانشگاه هایدلبرگ و دانشگاه منچستر اشاره کرد. گروه دیگر در آلمان گزارش داده است که با استفاده از یک تراشه عصب‌گون و نرم‌افزاری مبتنی‌بر سیستم پردازش رایحه حشرات، دستگاهی برای شناسایی گونه‌های گیاهی بر اساس گل آن‌ها توسعه داده است.

کامپیوترهای امروزی همه از معماری مشهور به فون نویمان استفاده می‌کنند که داده را در مسیری رفت و برگشتی میان پردازنده مرکزی و تراشه‌های حافظه در قالب زنجیره‌های خطی محاسبات جریان می‌دهد. این روش برای پردازش اعداد و اجرای برنامه‌های دقیق نوشته ‌شده مناسب است، اما برای پردازش تصویر و صدا و درک آن مناسب نیست. این امر وقتی عملاً ثابت شد که گوگل در سال 2012 نرم‌افزاری را در زمینه هوش مصنوعی به‌نمایش گذاشت. این نرم‌افزار یاد گرفت بدون آن‌که به آن گفته شود یک گربه چیست، تمام گربه‌ها را در ویدیوهای مختلف تشخیص دهد. نرم‌افزار مذکور برای انجام این کار به 16 هزار پردازنده نیاز داشت.

ادامه یافتن افزایش کارایی این پردازنده‌ها نیازمند آن است که تولیدکنندگان ترانزیستورهای بیش‌تر و سریع‌تری را همراه کش‌های حافظه سیلیکونی و مسیرهای داده بیش‌تر جای دهند. در عین حال، حرارت تولید شده توسط همه آن اجزا سرعت عملیاتی یک تراشه را محدود می‌کند، به‌‌ویژه در دستگاه‌های قابل حمل که انرژی اهمیت زیادی دارد. این مشکل می‌تواند مانع حرکت به‌سوی دستگاه‌هایی شود که قرار است به‌ شکل مؤثر تصاویر، صداها و دیگر اطلاعات حسی را پردازش کنند و سپس آن‌ها را برای انجام وظایفی همچون شناخت چهره یا حرکت روبات و خودرو مورد استفاده قرار دهند.

هیچ شرکتی به اندازه کوالکام به مقابله با چنین چالش‌هایی علاقه نشان نداده است. این شرکت سازنده تراشه‌های بی‌سیم مورد استفاده در گوشی‌ها و تبلت‌ها است و دارندگان این دستگاه‌ها نیز هر روز خواسته‌های بیش‌تری از آن‌ها دارند. اما سرویس‌های دستیار شخصی امروزی همچون سیریِ شرکت اپل یا گوگل ناو محدودیت‌هایی دارند؛ زیرا برای دست‌یابی به منابع سخت‌افزاری قوی به اتصال به کلاود نیاز دارند تا به پاسخ‌گویی یا پیش‌بینی سؤالات بپردازند.

جف گلهار، نایب رئیس فناوری کوالکوام که سرپرستی گروه مهندسی Zeroth را به‌عهده دارد، این چالش را مشکل بزرگی می‌داند.تراشه‌های عصب‌گون تلاش می‌کنند روشی را شبیه‌سازی کنند که مغز اطلاعات را با استفاده از آن پردازش می‌کند. چنان‌که میلیاردها نورون و تریلیون‌ها سیناپس به ورودی‌های حسی همچون محرک‌های بصری و صوتی واکنش نشان می‌دهند. همچنین، آن نورون‌ها براساس تغییر محرک‌ها چگونگی اتصال به یکدیگر را تغییر می‌دهند. این همان فرآیند یادگیری است.

تراشه‌های مورد بحث نیز با به‌کارگیری مدل‌های الهام‌گرفته از مغز با نام شبکه‌های عصبی عملکرد مشابهی دارند. به همین دلیل است که روبات کوالکام می‌تواند عروسک دوم را در همان مکان عروسک نخست بیاندازد، بدون این‌که پیش از آن عروسک دوم را دیده باشد. با این‌که تراشه‌های عصب‌گون از نظر توانایی فاصله بسیار زیادی با مغز انسان دارند، اما در زمینه پردازش داده‌های حسی و یادگیری از آن، از کامپیوترهای فعلی سرعت بیش‌تری دارند.

جف هاوکینز یک اندیشمند پیش‌گام در حوزه هوش مصنوعی است که علاوه بر تأسیس پالم و ساخت Palm Pilot، یکی از بنیان‌گذاران Numenta نیز بوده است. این شرکت یک سازنده نرم‌افزارهای مبتنی‌بر مغز است. او عقیده دارد تلاش برای شبیه‌سازی مغز با تکیه بر نرم‌افزار ویژه روی پردازنده‌های عادی چنان‌که گوگل در تجربه گربه خود این کار را انجام داد، بسیار ناکارآمد است. او درباره هوش مصنوعی کارآمد می‌گوید: «راهی وجود ندارد که آن را [فقط] در نرم‌افزار ساخت. باید آن را در سیلیکون ساخت.»

دستاورد
راهی جایگزین برای طراحی تراشه‌های کامپیوتری که هوش مصنوعی را ارتقا می‌دهد.

چرا مهم است
تراشه‌های سنتی به محدودیت‌های بنیادین در زمینه کارایی دست می‌یابند.

بازیگران اصلی
کوالکام
آی‌بی‌ام
HRL Laboratories
Human Brain Project



منبع
ماهنامه شبکه - شماره 164



https://www.ihoosh.ir/article/72083/...AF%D9%88%D9%86

ساخت تراشه‌ای شبیه به مغز انسان

پژوهشگران یک تیم بین‌المللی موفق به تولید تراشه‌ای شدند که روی آن میلیون‌ها ساختار سلول عصبی مصنوعی قرار دارد. تراشه‌ای که به گفته این گروه از دانشمندان عملکردی شبیه به مغز انسان دارد.

وب سایت شبکه - حمیدرضا تائبی: پژوهشگران یک تیم بین‌المللی موفق به تولید تراشه‌ای شدند که روی آن میلیون‌ها ساختار سلول عصبی مصنوعی قرار دارد. تراشه‌ای که به گفته این گروه از دانشمندان عملکردی شبیه به مغز انسان دارد.

سوالی که سال‌ها است ذهن دانشمندان را به خود مشغول داشته این است که ما چه زمانی می‌توانیم تراشه‌ای مصنوعی تولید کنیم که عملکردی شبیه به مغز انسان داشته باشد؟ تا به امروزه سازمان‌های بزرگ در دو حوزه سخت‌افزار و نرم‌افزار تلاش‌های بسیاری در این زمینه انجام داده‌اند و در بعضی موارد به دستاوردهای مهمی هم نائل شده‌اند. تراشه‌های عصب‌گون می‌توانند رفتار سلول‌های عصبی مغز انسان را تقلید کنند، با این وجود عملکرد این تراشه‌ها عمدتا شبیه به تراشه‌هایی بوده است که در کامپیوتری امروزی به کار گرفته می‌شوند.

اما به تازگی گروهی از پژوهشگران ژاپنی، فرانسوی و آمریکایی موفق به طراحی تراشه‌ای شده‌اند که رفتارش مشابه مغز انسان است. به عبارت دقیق‌تر سلول‌های عصبی این تراشه به لحاظ رفتاری بیشترین شباهت را به سلول‌های واقعی یک مغز دارند. سلول‌های عصبی موجود در مغز انسان یک نوسان‌گر غیر خطی هستند که اگر جریان الکتریکی ثابتی به آن‌ها وارد شوند تحریک شده و و ولتاژ‌های دوره‌ای را تولید می‌کنند. نوسان‌گرهای غیر خطی می‌توانند یک ورودی ثابت را به یک نوسان تبدیل می‌کنند. به‌طور مثال ساعت‌های آونگ‌دار (ساعت‌های پاندولی)، نوسان‌گرهای غیر خطی هستند.

سلول‌های عصبی نیز همان‌گونه که اشاره گردید نوسان‌گرهای غیرخطی هستند که اگر با یک جریان الکتریکی تحریک شوند ولتاژ‌های دوره‌ای را ایجاد می‌کنند. اکنون این گروه از پژوهشگران می‌گویند به راهکار قدرتمندی دست پیدا کرده‌اند که به آن‌ها اجازه می‌دهد نوسان‌گرهای غیر خطی مصنوعی را در فضای بسیار کوچکی قرار دارد. این گروه از پژوهشگران موفق شده‌اند 108 نوسان‌گر را روی یک آرایه دو بعدی درون یک تراشه بسیار کوچک که در ابعاد انگشت شست انسان است قرار دهند. به عقیده این پژوهشگران تراشه‌های نئومورفیک مینیاتوری این پتانسیل را دارند در زمینه یادگیری و هماهنگ شدن با طیف گسترده‌ای از برنامه‌های کاربردی به کار گرفته شوند. طراحی این گونه تراشه‌ها با دو مشکل بزرگ روبرو است.

پارازیت و ناپداری دو مشکل بزرگی است که این تراشه‌ها با آن روبرو هستند. اما پژهشگران فوق برای غلبه بر این چالش تصمیم گرفتند از ممریستورها و همچنین اتصالات تونلی مغناطیسی استفاده کنند. مزیتی که نوسان‌گرهای مغناطیسی در مقایسه با نوسان‌گرهای ممریستوری دارند این است که ضریب پایداری آن‌ها بالا است. به واسطه آن‌که ممریستورها پس از یک میلیون چرخش سامانه را دچار مشکل می‌کنند. پژوهشگران می‌گویند این تراشه‌ها را می‌توان در زمینه طبقه‌بندی بلادرنگ بزرگ داده‌ها، ماشین‌های خودران و تجهیزات پزشکی و کاشتنی به کار گرفت.
ساخت تراشه‌ای شبیه به مغز انسان

نزدیک‌تر شدن هوش مصنوعی به مغز با "سیناپس مصنوعی"

یک تیم از مهندسان موسسه فناوری ماساچوست(MIT) سیناپس‌های مصنوعی ابداع کرده‌اند که هوش مصنوعی را بیش از پیش به مغز شبیه می‌کند.
به گزارش ایسنا و به نقل از فیز، مهندسان MIT با ابداع "سیناپس مصنوعی" یک گام به سمت توسعه دستگاه‌های هوش مصنوعی با عملکرد شبیه به مغز انسان و قابل حمل نزدیک شدند.
"همایه" یا سیناپس یک ساختار زیستی در پایانه آکسون‌ها است که از راه آن یک سلول عصبی پیام خود را به دندریت یک نورون دیگر یا یاخته ماهیچه‌ای یا یک غده می‌فرستد.
نورون‌ها بنیادی‌ترین یاخته‌های عصبی هستند. این یاخته‌ها کار پردازش و رسانش پیام‌های عصبی را بر دوش دارند.
مغز انسان حاوی حدود 68 میلیارد نورون است که هر کدام توانایی ارتباط و تاثیر روی تعداد زیادی از نورون‌های دیگر را دارند.
مکانیسم موثر و کارآمدی نیاز است تا بین این تعداد نجومی از نورون‌ها ارتباط برقرار کند. این ارتباط با استفاده از سیناپس صورت می‌گیرد. اگرچه تعداد زیادی سیناپس وجود دارد، ولی می‌توان آنها را به دو دسته تقسیم‌بندی کرد: سیناپس الکتریکی و سیناپس شیمیایی.
در سیناپس الکتریکی جریان از شکاف پیوندگاه جاری می‌شود. در مقابل، سیناپس شیمیایی قادر به ارتباط سلول به سلول توسط ترشح پیام‌رسان عصبی می‌باشد. این عامل‌های شیمیایی که توسط نورون پیش سیناپسی ترشح می‌شوند، جریان‌های ثانویه در نورون پس سیناپسی را بوسیله فعال کردن گیرنده‌های خاصی تولید می‌کنند. تاکنون در حدود 100 نوع پیام‌رسان عصبی شناسایی شده است.
غول‌های فناوری مانند اینتل و آی.بی.ام شروع به ساخت تراشه‌هایی برای هوش مصنوعی کرده‌اند که عملکردی شبیه به مغز انسان دارند.
با این حال، رشته "محاسبات نورومورفیک" هنوز در مراحل اولیه خود است و یکی از بزرگترین چالش‌های پیشگامان آن کپی کردن سیناپس‌های عصبی است.
این سیناپس‌ها ساختارهای کوچکی هستند که در آن اطلاعات از یک نورون به نورون بعدی انتقال می‌یابد. به همین دلیل یک تیم از مهندسان MIT شروع به توسعه یک سیناپس مصنوعی کردند که به مانند نمونه واقعی عمل می‌کند و به خوبی موفق به طراحی نمونه‌ای شدند که می‌تواند قدرت جریان الکتریکی را در سراسر آن، به مانند جریان یون‌ها بین نورون‌ها به دقت کنترل کند.
طرح‌های موجود که به طور معمول از مواد جامد غیر بلورین یا مواد بی‌نظم و غیر شفاف استفاده می‌کنند، در کنترل جریان یون‌ها مشکل دارند، بدین معنا که آنها در انتقال اطلاعات نورون به نورون موفق نیستند.

برای حل این مسئله، تیم تحقیقاتی با استفاده از قرص سیلیکون و آلیاژ سیلیکون-ژرمانیوم که معمولا در ترانزیستورها استفاده می‌شوند، سیناپس ساختند.
قرص سیلیکون یا قرص سیلیسیم(Silicon wafer) یک برش نازک از یک نیمه‌رسانا مانند بلورهای سیلسیم است که در ساخت تراشه‌های الکترونیکی و دیگر ریزابزارها کاربرد دارد.
"جیهوان کیم" سرپرست تیم گفت که این دو ماده کاملا متناقض با هم می‌توانند یک جابجایی قیف مانند ایجاد کنند و یک مسیر واحد بسازند که از طریق آن یون‌ها می‌توانند جریان پیدا کنند.
محققان آن را بر روی یک تراشه برای شبکه عصبی خود با تغذیه دهها هزار نمونه دست خط تست کردند. نتیجه این بود که توانست دست‌خط‌ها را با دقت 95 درصد به درستی تشخیص دهد که نتیجه بدی نبود.
بد نیست بدانید که الگوریتم‌های فعلی که توسط سخت افزارهای رایج ساخته می‌شوند، دارای دقت 97 درصدی هستند.
هر چند محاسبات نورومورفیک قادر به انجام کارهایی فراتر از تشخیص نمونه دست‌خط خواهد بود. در آینده، این رشته می‌تواند منجر به ایجاد دستگاه‌های هوش مصنوعی قابل حمل بسیار قوی‌تر از گوشی‌های مدرن کنونی شود.
"کیم" گفت: در نهایت ما می‌خواهیم یک تراشه به بزرگی یک ناخن برای جایگزینی با یک ابررایانه بزرگ داشته باشیم. ابداع این سیناپس‌ها یک گام اساسی برای دستیابی به سخت‌افزار مصنوعی واقعی است.
https://www.isna.ir/news/96110402628...88%D8%B9%DB%8C

کامپیوترها در آینده شباهت زیادی به مغز انسان خواهند داشت

مغز انسان کوچک است، حداقل انرژی را مصرف می‌کند و مهم‌تر از همه، طراحی آن به‌گونه‌ای است که از انرژی و منابعی که در اختیار دارد، به بهترین و بهینه‌‌ترین شکل ممکن استفاده می‌کند. این موجودیت شگفت‌انگیز در نهایت دارای قابلیت‌ بی‌بدیلی است که می‌تواند هر نوع ماشینی را کنترل کند.
عملکرد مغز انسان هنوز هم در زمینه تولید دستورات، سریع‌تر از قدرتمندترین ابرکامپیوترهای جهان کار می‌کند. در سامانه‌های کامپیوتری امروزی، فرایندهای پردازشی و حافظه از یکدیگر جدا هستند و همین موضوع باعث کاهش سرعت و توان پردازش این سامانه‌ها می‌شود. اما در سامانه‌های زیستی همچون مغز انسان، حافظه و پردازش در عمل از یکدیگر جدا نیستند و همین موضوع سرعت و عملکرد در این سامانه‌های زیستی را به‌شدت افزایش می‌دهد. جالب‌تر آنکه مغز انسان در مقایسه با ابرکامپیوترها به فضا و انرژی کمتری برای اجرای دستورات خود نیاز دارد. مغز انسان تنها با 20 وات انرژی کار خود را انجام می‌دهد، اما ابرکامپیوترها به چند مگاوات انرژی نیاز دارند. این تنها مصرف کم انرژی نیست که باعث شده است مغز انسان با کامپیوترها متفاوت باشد، بلکه نوع پردازشی که مغز انسان انجام می‌دهد نیز در عمل متفاوت است. همین موضوع پژوهشگران را متقاعد ساخته است که آینده دنیای محاسبات بر مبنای فناوری‌هایی شبیه به مغز انسان خواهد بود که غالباً به نام محاسبات عصب‌گون (neuromorphic) از آن‌ها یاد می‌شود.

در سامانه‌های کامپیوتری امروزی، فرایندهای پردازشی و حافظه از یکدیگر جدا هستند و همین موضوع باعث کاهش سرعت و توان پردازش این سامانه‌ها می‌شود.

هدف محاسبات عصب‌گون بر خلاف نامشان، مدل‌سازی ساده شیوه کارکرد سلول‌های خاکستری مغز نیست - هر چند در عمل محققان این کار را انجام می‌دهند - بلکه در عوض محاسبات عصب‌گون از مغز انسان به عنوان یک موجودیت الهام‌بخش برای طراحی موج جدیدی از سخت‌افزارها استفاده می‌کنند که از حداقل انرژی و حداکثر توان بهره‌ می‌گیرند؛ سخت‌افزارهایی که هر نوع موجودیتی از ابرکامپیوترها گرفته تا گوشی‌های هوشمند امروزی را دستخوش تغییرات اساسی خواهند کرد.مانوئل لو گالو، یکی از پژوهشگران واحد تحقیقات محاسبات عصب‌گون آی‌بی‌ام در این باره به سایت زد دی نت گفته است: «در تلاش هستیم با کمک محاسبات عصب‌گون، یک سامانه ویژه طراحی کنیم؛ سامانه‌ای که شامل مدارهای آنالوگ یا دیجیتال بوده و قادر باشد معماری‌های زیست‌عصبی درون بدن ما را تقلید کند. شاید بپرسید که چرا باید به دنبال انجام چنین کاری باشیم. به سبب آنکه امید داریم به مصرف کمتر انرژی و تراکم بالاتر در فرایندهای محاسباتی پیچیده شبیه به تشخیص الگوها، دست پیدا کنیم؛ کاری که مغز ما به آسانی قادر به انجام آن است. در حال حاضر کامپیوترها برای اینکه بتوانند بهتر از مغز انسان چنین فرایند ساده‌ای را مدیریت کنند، به انرژی بسیار زیادی نیاز دارند.»
مغز برای انتقال داده‌ها از یک سلول عصبی به نام نورون به سلول عصبی دیگر، از سیگنال‌های شیمیایی استفاده می‌کند. هر سلول عصبی برای اینکه با سلول عصبی بعدی ارتباط برقرار کند، یون‌هایی را میان شکاف دو سلول عصبی آزاد می‌کند. به این فرایند سیناپس گفته می‌شود. اگر یون‌های کافی توسط سلول عصبی اول آزاد شوند و این یون‌ها بتوانند از شکاف عبور کنند و به سلول عصبی دوم برسند، یک سیگنال الکتریکی به نام پتانسیل عمل، درون سلول عصبی دوم تولید می‌شود و آن را فعال می‌کند. در این زمان، سلول عصبی دوم با سومین سلول عصبی ارتباط برقرار کرده و یکی از دو کار ارسال سیگنال الکتریکی یا آزادسازی یون‌های خود را بر مبنای انفعال شیمیایی به وجود می‌آورد. این مکانیزم در ادامه، سیگنال‌های شیمیایی را به سیگنال‌های الکتریکی تبدیل می‌کند و داده‌ها را دوباره به سمت مغز رله ‌می‌کند. سپس این داده‌ها از مغز به سمت بخش‌های دیگر بدن ارسال می‌شوند. اما به این نکته توجه کنید که سلول‌های عصبی از یک ارتباط ساده یک‌به‌یک استفاده نمی‌کنند. یک سلول عصبی می‌تواند ورودی‌ها‌ را از بسیاری از بخش‌ها دریافت کرده و پیش از آنکه با ورودی بعدی ارتباط برقرار کند، آن‌ها را با یکدیگر ادغام کند. سلول عصبی اگر در فاصله زمانی کوتاهی تعداد زیادی ورودی‌ از سلول‌های عصبی دیگر دریافت کند یا اگر یک ورودی منفرد بزرگ‌تر را دریافت کند، یک پتانسیل عمل را ارسال خواهد کرد. سلول‌های عصبی از جمله ارگان‌های بسیار سازگار به شمار می‌روند. ارتباط میان سلول‌های عصبی مختلف بر اساس سن یک فرد و آموزه‌های او به مرور زمان با یکدیگر منطبق می‌شوند.

در تلاش هستیم با کمک محاسبات عصب‌گون، یک سامانه ویژه طراحی کنیم؛ سامانه‌ای که شامل مدارهای آنالوگ یا دیجیتال بوده و قادر باشد معماری‌های زیست‌عصبی درون بدن ما را تقلید کند.

رویکردهای منحصربه‌فرد مغز در زمینه تغییرپذیری و انعطاف‌پذیری باعث شده است پژوهشگران معتقد شوند که موج بعدی مدل‌های محاسباتی با محوریت عملکرد مغز ساخته خواهند شد. در محاسبات عصب‌گون به جای اینکه از حالت‌ باینری (صفرها و یک‌ها) به عنوان ورودی و خروجی استفاده شود، ورود و خروج داده‌ها با استفاده از الگوریتم‌هایی که داده‌ها را روی سخت‌افزار ذخیره‌سازی می‌کنند، وزن می‌شوند. به عبارت ساده‌تر، اگر حاصل جمع ورودی‌ها از آستانه کمتر باشد، سلول عصبی خاموش می‌شود، در غیر این صورت سلول عصبی فعال می‌شود و در ادامه جریان الکتریکی ثابتی را ایجاد می‌کند. این رویکرد به یک تراشه‌ اجازه اسپایک می‌دهد. این تراشه‌ زمانی که در آستانه عبور از یک حالت خاص قرار بگیرد، پتانسیل عمل ویژه خود را تولید می‌کند. این رویکرد مشابه با مکانیزمی است که سلول‌های عصبی مغز استفاده می‌کنند.
ایده محاسبات عصب‌گون اولین بار در دهه 90 میلادی و بعد از آنکه پروفسور کارور مید پیشنهاد مدل جدیدی برای ریزتراشه‌ها ارائه کرد، به اوج محبوبیت رسید. او پیشنهاد کرد: «ما به جای اینکه محاسباتی داشته باشیم که میان حافظه و پردازنده تقسیم می‌شوند، می‌توانیم تمامی این محاسبات را با استفاده از مدل‌سازی ارتباطات بر مبنای سیناپس‌های انسانی درون یک تراشه در اختیار داشته باشیم.»
امروزه جدایی دو بخش حافظه و پردازنده از یکدیگر به چالش اصلی کامپیوترها تبدیل شده است؛ به دلیل اینکه ترانزیستورها دیگر مقیاس‌پذیر نیستند. گالو می‌گوید: «ما باید با استفاده از معماری جدیدی صنعت محاسبات را بهبود بخشیم.» در حال حاضر، چند رویکرد مختلف فناورانه درباره اینکه چگونه سلول‌های عصبی و سیناپس‌ها را به درون محاسبات سخت‌افزاری و نرم‌افزاری وارد کنیم، پیش روی ما قرار دارد. مدارهای سنتی، پردازنده‌های CMOS آنالوگ، حافظه تغییر فاز (Phase Change Memory) و...، از جمله این رویکردها به شمار می‌روند.
دانشمندان آی‌بی‌ام با استفاده از مواد تغییر فاز دهنده (phase change material) موفق به طراحی سلول‌های عصبی نیزه‌ای (spiking neurones) شدند؛ سلول‌های عصبی‌ای که قادر به ذخیره‌سازی و پردازش داده‌ها هستند. زمانی‌که تکانه‌های الکتریکی (electrical impulses) به مواد تغییر فازدهنده (phase-change materials) می‌رسند، به تدریج آن‌ها را متبلور کرده و سرانجام زمانی که به آستانه تبلور می‌رسند، اجازه می‌دهند فعال شوند. معادل بیولوژیکی این رویکرد زمانی است که دست خود را درون یک محلول گرم فرو می‌برید، اگر یک سلول‌ عصبی ورودی‌های کافی را دریافت کند، اعلام می‌کند که پوست دست شما در تماس با درجه حرارت بالایی قرار دارد؛ در این حالت سلول عصبی حسی فعال می‌شود و اطلاعات را به سمت مغز ارسال می‌کند. با این داده‌ها، مغز اعلام می‌کند که باید دست خود را حرکت دهید. این دستاورد گام مهمی در شتاب‌بخشی به روند توسعه انرژی کارآمد و فناوری‌ عصب‌گون یکپارچه فراچگالی (ultra-dense) به شمار می‌رود که در کاربردهایی همچون محاسبات شناختی استفاده می‌شود. دانشمندان با الهام گرفتن از عملکردهای زیست‌شناختی مغز نزدیک به چند دهه است این فرضیه را مطرح کرده‌اند، این احتمال وجود دارد که بتوانیم قابلیت‌های محاسباتی تطبیق‌پذیری را با تقلید از طیف گسترده‌ای از سلول‌های عصبی تولید کنیم.
آی‌بی‌ام مدت زمان نسبتاً طولانی‌ای است که فرایند تحقیق را به‌منظور دستیابی به محاسبات عصب‌گون آغاز کرده است. ثمره این تلاش‌ها در نهایت باعث تولید پردازنده منحصربه‌فردی شد که TureNorth نام دارد. یک تراشه کم‌مصرف CMOS که یک میلیون نورون قابل برنامه‌ریزی را همراه با 256 میلیون سیناپس در اختیار دارد و در هر ثانیه به ازای هر وات 46 میلیارد عملکرد سیناپسی انجام می‌دهد. در اروپا نیز تحقیقاتی مشابه با آنچه آی‌بی‌ام انجام می‌دهد، در جریان است. سامانه BrainScaleS که دانشگاه هایدلبرگ در آلمان آن را تولید کرده است، از مدارات آنالوگ یکپارچه در مقیاس ویفر استفاده می‌کند. این سامانه که بر اساس محاسبات عصب‌گون ساخته شده است، سه عامل سرعت، کم‌مصرف بودن و عملکرد بالا را هم‌زمان با یکدیگر در اختیار دارد. در سامانه BrainScales از ویفر 20 سانتی‌متری که مشتمل بر 384 تراشه و 128 هزار سیناپس است، استفاده شده است. برآوردها نشان می‌دهد که این سامانه در مقایسه با سامانه‌های زیستی از عملکرد بهتری برخوردار است. سامانه BrainScales در مجموع یک میلیارد سلول عصبی دارد، این در حالی است که مغز انسان بیش از 85 میلیارد سلول عصبی دارد.

پروژه دیگری که اروپا در زمینه محاسبات عصب‌گون با موفقیت مسیر تکاملش را پشت سر گذاشته است، SpiNNaker نام دارد. این سامانه محاسباتی که در دانشگاه منچستر ساخته شده است، به‌منظور مدل‌سازی مغز انسان استفاده می‌شود. نام این سامانه برگرفته از کلمات معماری شبکه عصبی نیزه‌ای (spiking neural network architecture) است. شاخصه بارز هر دو سامانه این است که به برنامه‌ریزی نیازی ندارند، در نتیجه بر خلاف سامانه‌های کامپیوتری امروزی می‌توانند فعالیت‌های مختلف را یاد بگیرند. این سامانه به دانشمندان این توانایی را می‌دهد تا فوراً به مدل‌سازی فرایندهای بیولوژیکی مغز بپردازند. نسخه نیم‌میلیون هسته‌ای این سامانه در گذشته ساخته شده و به عنوان بخشی از پروژه مغز انسان استفاده شده است. دانشمندان امیدوارند نسخه یک میلیون هسته‌ای آن را در آینده‌ای نه‌چندان‌دور تولید کنند.
استیو فربر، استاد مهندسی کامپیوتر دانشگاه منچستر که در هر دو پروژه فعالیت کرده، در این خصوص گفته است: «نوآوری به‌کاررفته در SpiNNaker درباره این نیست که ما چگونه توانستیم این محاسبات را پیاده‌سازی کنیم. این سامانه تقریباً شبیه به پردازنده‌های موازی رایج است. نوآوری به‌کاررفته در SpiNNaker درباره این موضوع است که ما چگونه موفق شدیم هسته‌ها را به یکدیگر متصل کنیم و چگونه از ارتباطاتی که میان آن‌ها برقرار می‌شود، پشتیبانی کنیم. ویژگی شاخص این سامانه به قابلیت اتصال به‌شدت بالای آن بازمی‌گردد. ما از اسپایک‌ها به‌منظور برقراری اتصال در SpNNaker استفاده کردیم. اسپایک‌ها در این مغز دائماً به‌منظور برقراری ارتباطات استفاده می‌شوند. ما از مکانیزم‌های به‌شدت پویا و روانی برای انتقال بسته‌های اطلاعاتی در این سامانه استفاده می‌کنیم.»
با توجه به وعده‌ای که محاسبات موازی درباره مقرون‌به‌صرفه بودن و انرژی کارآمد داده‌اند، جای تعجبی ندارد که شرکت‌هایی همچون آی‌بی‌ام، کوالکام و همچنین آژانس تحقیقاتی و دفاعی ایالات متحده از مدت‌ها قبل برای دستیابی به ظرفیت‌های موجود در محاسبات عصب‌گون سرمایه‌گذاری‌های کلانی انجام داده‌ باشند. در حالی که مراحل آزمایشی این فناوری بیش از اندازه گران است، بازار این مدل محاسبات به‌شدت در حال رشد است. پژوهشگران Markets and Markets پیش‌بینی کرده‌اند سرمایه‌گذاری در این حوزه از رقم 6.6 میلیون دلار به رقم 273 میلیون دلار خواهد رسید. با وجود آنکه تقریباً تمامی کارشناسان و شرکت‌های بزرگ دنیای فناوری به این مدل از محاسبات علاقه‌مند هستند، واقعیت این است که فرایند تجاری‌سازی محاسبات عصب‌گون راهی طولانی پیش روی خود دارند. گالو گفته است: «من فکر نمی‌کنم این مدل از محاسبات بخواهند جای کامپیوترهایی را که ما امروزه استفاده می‌کنیم، اشغال کنند. حداقل در کوتاه‌مدت این اتفاق رخ نخواهد داد. من فکر می‌کنم این مدل از محاسبات بیشتر در نقش یک شتاب‌دهنده خواهند بود. می‌توانید یک تراشه عصب‌گون در کامپیوتر بعدی خود در اختیار داشته باشید و از این تراشه برای انجام وظایف خاصی استفاده کرده و از کامپیوترهای امروزی برای انجام وظایف عادی استفاده کنید.»

محاسبات عصب‌گون از مغز انسان به عنوان یک موجودیت الهام‌بخش برای طراحی موج جدیدی از سخت‌افزارها استفاده می‌کنند که از حداقل انرژی و حداکثر توان بهره‌ می‌گیرند

تراشه‌های عصب‌گون در چند سال آینده به شرکت‌های فعال در حوزه‌های مالی، آب‌وهوا و شبکه‌هایی از حسگرها که با کلان داده‌ها در تعامل هستند، کمک خواهند کرد تا به شکلی سریع‌تر و البته دقیق‌تر فعالیت‌های خود را انجام دهند، اما کاربرد عمومی‌تر این فناوری حداقل به چند سال زمان نیاز دارد. سامانه‌های عصب‌گون از پنج سال پیش تاکنون، نظر مساعد بسیاری از سازمان‌ها را به سمت خود جلب کرده‌اند، هرچند آن‌ها مستقیماً ویژه یادگیری ماشینی در شبکه‌های عصبی عمیق طراحی نشده‌اند، به لحاظ کارکردی به این فناوری نزدیک هستند.
توماس فربر استاد مهندسی کامپیوتر دانشگاه منچستر در این باره گفته است: «ما طیف گسترده‌ای از درخواست‌ها را از شرکت‌های مختلف دریافت کرده‌ایم. از ما سؤال کرده‌اند که آیا می‌توانیم از SpiNNaker برای دستیابی به چنین مدلی از محاسبات استفاده کنیم؟» امروزه مردم بسیار مشتاق هستند تا گفتار تمام‌عیاری را با گوشی هوشمند خود انجام دهند یا گوشی آن‌ها بتواند اشیا پیرامونشان را تشخیص دهد. شما می‌توانید با سیری گفت‌وگو کنید، اما گفت‌وگوی روان به شرطی انجام می‌شود که در کارولینای شمالی باشید. اگر تلفن شما قابلیت اتصال اینترنتی نداشته باشد، سیری نمی‌تواند به هیچ سامانه‌ای متصل شود. اپل در نظر دارد این وضع را تغییر دهد و آن را تبدیل به یک ویژگی کاربردی کند؛ به طوری که هر کاربری به‌منظور دستیابی به راه‌حلی که در جست‌وجوی آن است، از محاسبات عصب‌گون استفاده کند. در چنین زمانی است که محاسبات شبیه به مغز انسان کارکرد اصلی و ملموس خود را نشان خواهند داد. منبع: shabakeh

https://faceit.ir/news/10977/%DA%A9%...A7%D8%B4%D8%AA

اینتل از تراشه خودیادگیر Loihi رونمایی کرد


اینتل می‌گوید تراشه آزمایشی جدید هوش مصنوعی این شرکت قادر است دو فاکتور آزمایش و استنتاج را با یکدیگر ترکیب کند. این حرف به معنای آن است که در آینده ماشین‌‌های مستقل برای افزایش سطح دانش و یادگیری مفاهیم نیازی نخواهند داشت در انتظار دریافت به‌روزرسانی‌ها از فضای ابری باشند، به واسطه آن‌که فرآیند یادگیری را بر اساس دریافت داده‌های موردنیاز خود از محیط اطراف و به صورت بلادرنگ انجام می‌دهند.


اینتل اعلام کرده است که این تراشه مبتنی بر هوش مصنوعی که Loihi نام دارد را با موفقیت آزمایش کرده است. تراشه‌ای که با اتکا بر داده‌های محیطی و تقلید رفتار و عملکرد مغز قادر به انجام کارهای خود خواهد بود. این تراشه عصب‌گون خودیادگیر به جای آن‌که برای انجام پردازش‌ها از تکنیک‌های سنتی استفاده کند به شکل هوشمندانه‌ای قادر است از داده‌های محیطی استفاده کند.

رویکردی که به تراشه فوق نه تنها امکان داده انرژی مصرفی را به بهترین شکل مورد استفاده قرار دهد، بلکه به این تراشه اجازه داده‌ است فرآیندهای پردازشی را به شکل غیرهمزمان و با اتکا بر استنتاج مدیریت کند. دکتر مایکل مایبری، مدیر آزمایشگاه‌های اینتل می‌گوید: «Loihi از مدارهای دیجیتالی برای تقلید عملکرد مغز استفاده می‌کند. به‌کارگیری یادگیری ماشینی ضمن آن‌که کارایی دستگاه را افزایش داده است، در مقابل انرژی مصرفی برای انجام محاسبات را کاهش داده است.

تراشه‌های عصب‌گون با الهام گرفتن از عملکرد سلول‌های عصبی در برقراری ارتباط با یکدیگر و یادگیری طراحی می‌شوند. عملکرد تراشه‌های عصب‌گون به این شکل است که قادر هستند اسپایک‌ها و سیناپس‌های انعطاف‌پذیر را بر اساس نیاز کاری خود تعدیل کنند. این تراشه‌ها به ماشین‌ها (روبات‌ها) اجازه می‌دهند تصمیمات خود را بر مبنای الگوها و وابستگی میان‌ آن‌ها اتخاذ کنند. تراشه Loihi در مقایسه با سایر تراشه‌های هوشمند نزدیک به ده برابر عملکرد بهتری دارد. این تراشه بازخوردهای دریافت شده از محیط را دریافت کرده و در ادامه با تقلید الگوی رفتاری مغز فرآیند یادگیری را مدیریت می‌کند.
فناوری هوش مصنوعی هنوز هم در مراحل ابتدایی خود به سر می‌برد، اما طراحی تراشه‌ای همچون Loihi به ما کمک خواهد کرد تا به روند روبه‌ رشد هوش مصنوعی شتاب بخشیده و بتوانیم عملکرد شبکه‌های عمیق عصبی را افزایش دهیم.» در حالی که اطلاع دقیقی در مورد جزییات این تراشه‌ها در دست نیست، اما این تراشه 14 نانومتری بر مبنای یک تابع چند هسته‌ای عصب‌گون طراحی شده است. به گونه‌ای که هر هسته دارای موتور اختصاصی خاص خود بوده که شامل 130 هزار سلول عصبی و 139 میلیون سیناپس عصبی می‌شود.
اینتل از تراشه خودیادگیر Loihi رونمایی کرد | شبکه