ساخت سیناپس مصنوعی با سرعتی 10 هزار برابر بیش‌تر از نمونه‌های بیولوژیکی توسط پژوهشگران دانشگاه MIT

نمایش خبر

فهرست اخبار
تاریخ : 1401/5/12        نویسنده: مریم رشنو
برچسب‌ها : تحقیق Research ، هوش مصنوعی Artificial Intelligence
واحد خبر mobile.ir : همان‌گونه که دانشمندان مرزهای یادگیری ماشینی را جابه‌جا می‌کنند، زمان، انرژی و هزینه مورد نیاز برای آموزش مدل‌های شبکه عصبی به سرعت در حال افزایش است. البته حوزه جدیدی از هوش مصنوعی موسوم به یادگیری عمیق آنالوگ، نویدبخش رایانش سریع‌تر با مصرف انرژی کمتر است. پژوهشگران سال‌هاست می‌کوشند سیناپس‌های مصنوعی (artificial synapses) تولید کنند، به امید آن که امکان دستیابی به عملکرد محاسباتی بی‌نظیر مغز انسان را فراهم سازند. در همین راستا، محققان دانشگاه MIT با تکیه بر رویکردی جدید به تازگی موفق به تولید نمونه‌هایی شده‌اند که هزار برابر کوچک‌تر و ده هزار برابر سریع‌تر از همتایان بیولوژیکی خود در مغز انسان هستند.

با وجود موفقیت‌های یادگیری عمیق یا deep learning در طول دهه گذشته، که با الهام از عملکرد مغز انسان تحقق یافته است، فرایندهای یادگیری عمیق روی سخت‌افزارهایی اجرا شده‌اند که شباهت اندکی به مغز واقعی انسان دارند و همین مسأله سبب ایجاد چالش‌هایی در مسیر توسعه آن‌ها شده است. در واقع، مغز انسان با وزنی در حدود سه پوند (1,300 تا 1,400 گرم)، می‌تواند وظایف جدید را ظرف چند ثانیه و با استفاده از توان یک لامپ انجام دهد. در حالی که آموزش بزرگ‌ترین شبکه‌های عصبی مستلزم هفته‌ها زمان، ده‌ها مگاوات‌ ساعت برق و مجموعه گسترده‌ای از پردازنده‌های تخصصی است.

دشواری‌هایی از این دست موجب علاقه فزاینده پژوهشگران به طراحی دوباره سخت‌افزارهای زیربنایی هوش مصنوعی شده است. ایده اصلی آن است که با ساخت تراشه‌های رایانه‌ای که اجزای آن‌ها بیشتر شبیه نورون‌ها و سیناپس‌های طبیعی عمل می‌کنند، بتوان به ظرفیت فوق‌العاده و بهره‌وری انرژی مغز انسان نزدیک شد. در واقع محققان امیدوارند که این پردازنده‌های به اصطلاح نورومورفیک (neuromorphic) در مقایسه با تراشه‌های رایانه‌ای امروزی برای اجرای رویه‌های هوش مصنوعی بسیار مناسب‌تر باشند.

در همین راستا محققان دانشگاه ام‌آی‌تی نشان داده‌اند که طراحی سیناپس مصنوعی به روشی غیر معمول که اتکای مغز به یون‌های جابه‌جایی (shuttling ions) را تقلید می‌کند، می‌تواند به طور قابل‌توجهی از شیوه‌های بیولوژیکی بهتر عمل کند. پیشرفت کلیدی در اینجا یافتن ماده‌ای بود که میدان‌های الکتریکی شدید را تحمل کند و به طور چشمگیری سرعت حرکت و جابه‌جایی یون‌ها را بهبود بخشد.

مورات اونن (Murat Onen) که رهبری این پژوهش را بر عهده داشته است، در یک بیانیه مطبوعاتی، ضمن شگفت‌آور بودن سرعت این فرایند، می‌گوید معمولا چنین میدان‌های الکتریکی پرقدرتی به دستگاه‌ها اِعمال نمی‌شود تا از بین نروند؛ اما به جای آن، پروتون‌ها (که معادل یون‌های هیدروژن هستند) با سرعت‌های فوق‌العاده‌ زیادی (میلیون‌ها برابر سریع‌تر از آنچه پیش از این مشاهده شده بود) در سراسر پشته دستگاه جابه‌جا شدند.

در حالی که رویکردهای مختلفی به مهندسی نورومورفیک وجود دارد، یکی از امیدوارکننده‌ترین آنها، رایانش آنالوگ است. این شیوه به دنبال طراحی قطعاتی است که بتوانند از خواص فیزیکی داخلی خود برای پردازش اطلاعات استفاده کنند. امری که بسیار کارآمدتر و مستقیم‌تر از انجام عملیات منطقی پیچیده‌ای است که توسط تراشه‌های معمولی انجام می‌شود.

تاکنون، تحقیقات زیادی روی طراحی قطعات موسوم به memoristor متمرکز شده است. memoristorها قطعات الکترونیکی هستند که شدت جریان را بر اساس میزان شارژی که قبلاً از دستگاه عبور کرده کنترل می‌کنند و روشی را تقلید می‌کنند که قدرت ارتباط میان نورون‌های بیولوژیک را بر اساس فرکانسی که با یکدیگر ارتباط برقرار می‌کنند، افزایش یا کاهش می‌دهد. به این معنا که این دستگاه‌ها در اصل می‌توانند برای ایجاد شبکه‌هایی با ویژگی‌های مشابه شبکه‌های عصبی بیولوژیکی به کار گرفته شوند.

جای شگفتی نیست که این دستگاه‌ها اغلب با استفاده از فناوری‌های حافظه ساخته می‌شوند. البته محققان MIT در مقاله جدید خود بر این باورند که اجزای بهینه‌سازی‌شده برای ذخیره‌سازی طولانی‌مدت اطلاعات، در واقع برای انجام انتقال‌ حالت عادی و مرتب مورد نیاز برای تنظیم پیوسته قدرت ارتباط در یک شبکه عصبی مصنوعی مناسب نیستند؛ زیرا ویژگی‌های فیزیکی که ماندگاری طولانی را تضمین می‌کند، معمولاً با مواردی که امکان سوئیچینگ با سرعت بالا را فراهم می‌کند، سازگاری ندارند.

از همین روست که محققان قطعه‌ای را طراحی کرده‌اند که سطح رسانایی آن با قرار دادن یا حذف پروتون‌ها در کانالی از شیشه فسفوسیلیکات (PSG) تنظیم می‌شود. این شیوه تا حدی رفتار سیناپس‌های بیولوژیکی را تقلید می‌کند که در آن‌ها از یون‌ها برای انتقال سیگنال‌ها در فاصله بین دو نورون استفاده می‌شود.

با این حال، شباهت در همین جا متوقف می‌شود. این دستگاه دارای دو پایانه است که در اصل ورودی و خروجی سیناپس به شمار می‌روند و یک پایانه سوم هم برای اِعمال میدان الکتریکی مورد استفاده قرار می‌گیرد. در این پایانه پروتون‌ها تحریک می‌شوند تا بسته به جهت میدان الکتریکی، از یک مخزن به کانال PSG یا برعکس حرکت کنند. در واقع، حضور پروتون‌های بیشتر در کانال سبب افزایش مقاومت آن می‌شوند.

محققان این طرح کلی را در سال 2020 ارائه کرده بودند، اما در دستگاه قبلی آنها از موادی استفاده شده بود که با فرآیندهای طراحی تراشه سازگار نبود. مهم‌تر آن که استفاده از PSG سرعت سوئیچینگ دستگاه جدید را به طرز چشمگیری افزایش داده است. زیرا منافذ موجود در ساختار کانال PSG با اندازه‌هایی در حد نانو، پروتون‌ها را قادر می‌سازد تا خیلی سریع در ماده حرکت کنند. به علاوه، این فرایند در برابر پالس‌های میدان الکتریکی بسیار قوی هم بدون آن که تخریب شود، دوام آورد.

میدان‌های الکتریکی قوی‌تر به پروتون‌ها سرعت زیادی می‌بخشند و همین کلید توانایی دستگاه در ارائه عملکردی حتی بهتر از سیناپس‌های بیولوژیکی است. در مغز، میدان‌های الکتریکی باید نسبتا ضعیف نگه داشته شوند، زیرا ولتاژ بالاتر از 1.23 ولت سبب می‌شود آب تشکیل‌دهنده سلول‌ها به گاز اکسیژن و هیدروژن تجزیه شود. به همین دلیل است که فرآیندهای عصبی در مقیاس میلی‌ثانیه رخ می‌دهند.

در مقابل، دستگاه ساخته‌شده توسط پژوهشگران MIT قادر است تا ولتاژ 10 ولت را در پالس‌های کوتاه 5 نانوثانیه‌ای تحمل کند. امری که به این سیناپس مصنوعی اجازه می دهد تا ده هزار برابر سریع‌تر از همتایان بیولوژیکی خود عمل کند. علاوه بر این، قطر دستگاه‌های جدید تنها چند نانومتر و حدود هزار برابر کوچک‌تر از سیناپس‌های بیولوژیکی است.

کارشناسان بر این باورند که سه ترمینال دستگاه ( برخلاف دو پایانه‌ای که در اکثر مدل‌های عصبی به چشم می‌خورد) ممکن است اجرای انواع خاصی از شبکه‌های عصبی را دشوار کند. این واقعیت که پروتون‌ها باید با استفاده از گاز هیدروژن ساخته شوند نیز چالش‌هایی را برای گسترش این فناوری ایجاد می‌کند.

البته مسیری طولانی از یک سیناپس مصنوعی منفرد تا شبکه های بزرگی وجود دارد که قادر به پردازش جدی اطلاعات هستند. با این حال سرعت استثنایی و اندازه کوچک قطعات جدید نشان می‌دهد که راه پیشِ رو در جست‌وجوی سخت افزار تازه امیدوارکننده است و دست‌یابی به قدرتی مشابه مغز و حتی فراتر از آن احتمالا دور از انتظار نخواهد بود.

منبع : MIT University