طراحی تراشه‌ای با عملکرد شبیه سلول‌های واقعی مغز در MIT
استفاده از کامپیوتر برای شبیه‌سازی فعالیت‌های مغز برای افراد مشغول در زمینه‌ی هوش مصنوعی پیشرفته، کار بسیار سختی است؛ اما اگر سخت‌افزار بیشتر شبیه به سخت‌افزار مغز طراحی شده باشد، مدیریت آن آسان‌تر می‌شود.
این زمینه‌ی نوظهور، پردازش نورومورفیک نامیده می‌شود. در حال حاضر مهندسان مؤسسه‌ی فناوری ماساچوست از پس طراحی تراشه‌ای با سیناپس‌های مصنوعی برآمده‌اند. مغز انسان در حال حاضر از هر کامپیوتر دیگری قوی‌تر است و حاوی ۸۰ میلیارد نورون و بالغ بر ۱۰۰ تریلیون سیناپس است که نورون‌ها را به هم متصل می‌کنند و انتقال سیگنال‌ها را کنترل می‌کنند.
تراشه‌های کامپیوترها در حال حاضر با انتقال سیگنال‌ها به زبان باینری (صفر و یک) کار می‌کنند. همه‌ی اطلاعات با کدهای ۰ و ۱ یا سیگنال‌های روشن/خاموش کدگذاری می‌شود. برای اینکه نحوه‌ی عملکرد این ایده را با مغز مقایسه کنید به این نمونه توجه کنید: در سال ۲۰۱۳ یکی از قوی‌ترین ابررایانه‌های جهان یک شبیه‌سازی از فعالیت مغز انجام داد و تنها به نتیجه‌ی کوچکی دست یافت.
کامپیوتر کی ریکن از ۸۲,۹۴۴ پردازنده و یک پتابایت (۱۰۲۴ ترابایت) حافظه اصلی استفاده می‌کند و قدرت آن معادل ۲۵۰ هزار کامپیوتر شخصی است. این ابررایانه ۴۰ دقیقه طول کشید تا یک ثانیه از فعالیت ۱.۷۳ میلیارد نورون متصل به ۱۰.۴ تریلیون سیناپس را شبیه‌سازی کند. ممکن است این اعداد بزرگ به نظر برسند؛ ولی تنها معادل یک درصد از مغز انسان هستند.
اما اگر یک تراشه از ارتباطات سیناپس‌مانند استفاده کند، سیگنال‌هایی کامپیوتر می‌توانند بسیار متنوع شوند و باعث یادگیری سیناپس‌مانند شوند. سیناپس‌ها نقش واسطه را در انتقال سیگنال‌ها در مغز بازی می‌کنند. نورون‌ها نیز با توجه به تعداد و نوع یون‌هایی که از سیناپس‌ها می‌گذرند، عمل می‌کنند. این دو عمل باعث می‌شود که مغز الگوها را تشخیص دهد، حقایق را به یاد بیاورد و وظایفش را انجام دهد.
کپی کردن و تقلید کردن از چنین کاری تا به حال بسیار سخت بوده است؛ ولی محققان مؤسسه‌ی فناوری ماساچوست تراشه‌ای با سیناپس‌های مصنوعی از جنس سیلیکون ژرمانیوم، طراحی کرده‌اند که مانند جریان یونی بین نورون‌ها، قدرت جریان الکتریکی بین سیناپس‌ها را به‌طور دقیق کنترل می‌کند.
این تراشه در یک شبیه‌سازی توانست نمونه‌های دستخط را با دقتی ۹۵ درصدی تشخیص دهد. طرح‌های قبلی تراشه‌های نورومورفیک از دو لایه‌ی هدایت‌کننده که به‌وسیله‌ی یک واسطه‌ی آمورف (فاقد شکل خاص) سوئیچی که مانند سیناپس‌ها عمل می‌کرد، استفاده می‌کردند. وقتی جریان سوئیچ باز بود، یون‌ها ازطریق این واسطه عبور می‌کردند و یک رشته هدایت‌کننده ایجاد می‌کردند تا وزن سیناپسی یا قدرت و ضعف سیگنال بین دو نورون را شبیه‌سازی کند.
مشکل روش فوق این بود که ساختاری برای انتقال سیگنال‌ها تعریف نشده بود و مسیرهای نامحدودی برای این انتقال وجود داشت. بی‌نهایت بودن راه‌ها موجب می‌شد که عملکرد تراشه‌ها بی‌ثبات و غیر قابل پیش‌بینی شود. جیوان کیم، محقق اصلی این پژوهش، گفت:
وقتی برای ارائه‌ی چندین داده با نورون‌های مصنوعی ولتاژ وارد کنید، باید آن‌ها را پاک کنید و قادر باشید دوباره آن‌ها را به همان روش، از نو بنویسید. اما وقتی در یک محیط آمورف شروع به نوشتن دوباره می‌کنید، یون‌ها به دلیل عیب‌های زیاد، در مسیرهای متفاوتی حرکت می‌کنند؛ جریان تغییر می‌کند و کنترل اوضاع سخت می‌شود. بزرگ‌ترین مشکل، عدم انطباق سیناپس مصنوعی است.
تیم از این نکته درس گرفت و تراشه‌ی خود را با جنس سیلیکون ژرمانیوم ساخت و شبکه‌هایی تک‌بعدی برای جریان یون‌ها تعبیه کرد. این کار موجب می‌شود که مسیر حرکت یون‌ها همیشه یکسان باشد. سپس از این شبکه‌های سیلیکون ژرمانیومی برای ساخت یک تراشه نورومورفیک استفاده شد؛ هنگامی که ولتاژ داده می‌شد، تمامی سیناپس‌های تراشه، جریان یکسانی با اختلاف ۴ درصدی ارائه می‌دادند.
یک سیناپس واحد نیز به‌تنهایی ۷۰۰ بار با ولتاژ تست شد. جریان این سیناپس تنها ۱ درصد تغییر کرد و یک‌دست‌ترین دستگاه ممکن را به وجود آورد. تیم از این تراشه در یک کار واقعی استفاده کرد و مشخصه‌های آن را شبیه‌سازی کرد و تراشه را در کنار مرکز داده‌ی MNST نمونه‌های دستخط مورد استفاده قرار داد. از مرکز داده‌ی MNST معمولا برای آموزش نرم‌افزارهای پردازش تصویر استفاده می‌شود.
شبکه‌ی نورونی مصنوعی شبیه‌سازی‌شده این تیم، متشکل از ۳ برگه‌ی نورونی بود که با دو لایه از سیناپس مصنوعی از یکدیگر جدا شده بودند. این شبکه‌ی نورونی قادر بود ده‌ها هزار دستخط را با دقت ۹۵ درصدی تشخیص دهد. دقت نرم‌افزار کنونی ۹۷ درصد است.
اقدام بعدی ساخت تراشه‌ای است که قادر به انجام وظیفه‌ی تشخیص دستخط باهدف نهایی ایجاد دستگاه‌های شبکه عصبی قابل‌حمل باشد. کیم گفت:
ما در نهایت تراشه‌ای می‌خواهیم که به‌اندازه‌ی یک ناخن باشد تا آن را جایگزین یک ابررایانه بزرگ کنیم. این پژوهش محرکی برای تولید سخت‌افزار هوش مصنوعی واقعی است.
دستاوردهای این پژوهش در Nature Materials منتشر شده است.