افزایش کارایی هوش مصنوعی با سیناپس مصنوعی جدید آی بی ام
الگوبرداری از شبکههای عصبی در طراحی و ساخت تراشههای سیلیکونی میتواند کاربرد یادگیری ماشین را در دستگاههای کوچک مانند گوشی هوشمند کاربردیتر کند. شبکههای عصبی در بخش نرمافزاری از ساختار مغز انسان الگوبرداری میکنند؛ ولی در بخش سختافزاری تاکنون شاهد این الگوبرداری نبودهایم. در بخش الگوبرداری نرمافزاری، محققان سعی میکنند تراشههای کامپیوتری را هوشمندتر و با کارایی بیشتر برنامهریزی کنند؛ هرچند گاهی این روند با کندی پیش میرود ولی در جریان است.
همانطور که میدانید، در مغز انسان سلولهای عصبی با کمک نورونها با یکدیگر در ارتباط هستند و نورونها با کمک سیناپسها، کار دریافت و انتقال و پردازش پیامهای عصبی را بین سلولهای مغز بر عهده دارند. سیناپس باعث ارتباط و اتصال نورونهای عصبی به یکدیگر میشود. در مغز انسان بیش از ۶۸ میلیون نورون وجود دارد که برای ارتباط با یکدیگر از سیناپسهای عصبی الکتریکی و شیمیایی کمک میگیرند. بر اساس تحقیقات، هرچه ارتباط و اتصال بین نورونهای یک سلول عصبی در مغز با سلول عصبی دیگر بیشتر برقرار شود، کارایی مغز بالاتر میرود. در اصل هرچه ارتباط بین نورونها در سلولهای عصبی مغز بیشتر باشد، اصطلاحاً فرد مغزش بهتر کار میکند. در ارتباط بین نورونها، سیناپسهای عصبی نقش مهمی بازی میکنند.
بخش تولید تراشهی شرکت IBM با الگوبرداری از ساختار سیناپسهای عصبی مغز و یادگیری ماشین در تلاش است تا کارایی تراشههای سیلیکونی را ۱۰۰ برابر کند؛ البته ساختار مغز قطعا تفاوتهایی با تراشهی سیلیکونی دارد. همانطور که گفته شد، در بخش نرمافزاری، محققان تلاشهای بسیاری در این زمینه انجام دادهاند ولی در بخش سختافزاری و الگوبرداری از روش انتقال و دریافت پیام هنوز زمینهی وسیعی برای تحقیق وجود دارد.
بر اساس مقالهی پژوهشی منتشرشده در نشریه نیچر، محققان شرکت آیبیام، یک سیناپس میکروالکترونیکی طراحی کردهاند که از دو نوع سیناپس مغز انسان الگوبرداری کرده است. این سیناپس میکروالکترونیک میتواند سیناپسهای کوتاهمدت را برای محاسبات و سیناپسهای بلندمدت را برای حافظهی تراشهی سیلیکونی ایجاد کند. مایکل اشنایدر، محقق مؤسسهی استاندارد و فناوری ملی ایالات متحده که پژوهشگر بخش سختافزار کامپیوتری در حوزهی الگوبرداری از سلولهای عصبی است، اعتقاد دارد استفاده از این روش میتواند مزایای خوبی به دنبال داشته باشد. وی معتقد است که دقت سیستم در تلاشها و تحقیقات قبلی برای الگوبرداری از شبکههای عصبی، پایینتر بود ولی الگوبرداری از سیناپسها دقت سیستم را بالا برده است.
محققان در ادامهی تحقیقات خودیک شبکه عصبی را که دو فعالیت مختلف در حوزهی تشخیص تصویر بر عهده داشت، مورد آزمون قرار دادند. این شبکهی عصبی باید دست خط را تشخیص میداد و رنگها را طبقهبندی میکرد. محققان بعد از آزمون متوجه شدند که دقت سیستم مبتنی بر هوش مصنوعی جدید، به اندازهی دقت یک سیستم نرمافزاری مبتنی بر شبکه عصبی است. آنها در کمال حیرت متوجه شدند که سیستم تنها یک درصد انرژی معمول را استفاده کرده است. این کشف نهتنها در حوزهی هوش مصنوعی حائز اهمیت است بلکه در تولید محصولات و در حوزهی تجارت نیز اهمیت دارد. کاهش مصرف انرژی و بهرهوری بیشتر برگ برندهای در دست IBM خواهد بود و میتواند تحولی در حوزهی تولید تراشههای سیلیکونی ایجاد کند.
IBM در حال حاضر این تراشه را به بازار عرضه نکرده؛ ولی در تلاش است تا ساختار جدیدی در بخش سختافزاری تولید تراشه ایجاد کند و بتواند با تولید قطعات میکروالکترونیک جدید مبتنی بر هوش مصنوعی و سیناپس مصنوعی، تحولی بزرگ در این صنعت ایجاد کند که منجر به پیشرفتهای بزرگ بعدی خواهد شد. این روش جدید میتواند اولین گام در مسیر تولید تراشههای مبتنی بر ماشینهای یادگیرندهی کارآمدتر باشد که نصب سادهتری در دستگاههای کوچک مانند گوشیهای هوشمند دارند.
اشنایدر معتقد است:
۱۰۰ برابر شدن بهرهوری انرژی و افزایش سرعت یادگیری در سیستمهای یادگیرنده در همهی لایههای متصل به سیستم، قطعا نیاز به تلاش بیشتری دارد.
کابنا بوهن که در بخش معماری کامپیوتر استنفورد تحقیق میکند، میگوید این رویکرد وی را به یاد ممریستور یا مقاومت حافظهدار میاندازد. حافظه ممریستور بعد از قطع جریان برق پاک نمیشود و در اصل نوعی ترانزیستور است که تا حدی شبیه به سیناپس عمل میکند. ممریستورها حدود یک دهه قبل طراحی و توسعه یافتند.
طراحی تراشههای IBM بر اساس الگوهای طبیعی در مغز انسان، کمی پیچیده است. تراشهای شامل پنج ترانزیستور و سه قطعه دیگر را در نظر بگیرید که قرار است با سیناپس مصنوعی کار کند؛ درحالیکه در تراشههای معمولی تنها یک تراشه وجود دارد. علاوه بر این، باید در نظر داشته باشیم که برخی از مباحث مطرحشده در ارتباط با این سیستم، تاکنون تنها در شبیهسازیها مورد آزمایش قرار گرفته است. البته روش شبیهسازی عموما برای بررسی ریزتراشهها مورد استفاده قرار میگیرد و رویکرد جدیدی نیست. آیبیام برای ساخت تراشهای کامل نیاز به زمان بیشتری برای بررسی و آزمایش دارد. با این وجود، این رویکرد میتواند گامی بزرگ در حوزهی ساخت کامپیوترهایی با قدرت منطق هوش مصنوعی و با الهام از ساختارهای بیولوژیکی باشد.
نظرات