توسعه رایانه‌هایی با شباهت بیشتر به مغز انسان

به گزارش خبرگزاری صدا و سیما به نقل از آی او، در مطالعه‌ای که بتازگی در دانشگاه توئنته (UT) در هلند انجام شد، محققان رویای توسعه رایانه‌های جدید شبیه مغز را یک قدم به واقعیت نزدیک‌تر کردند. یک گروه بین‌المللی از محققان به سرپرستی پروفسور کریستین نیجویس (Christian Nijhuis) نوع جدیدی از سوئیچ مولکولی را توسعه داده‌اند که می‌تواند از رفتار‌هایی که قبلا داشته است، بیاموزد. به گفته محققان این مولکول‌ها به همان روشی که مغز ما این کار را انجام می‌دهد در حال فراگیری این موضوع هستند.
پروفسور کریستین نیجویس گفت: رایانه‌ها، مراکز داده و سایر وسایل الکترونیکی انرژی زیادی مصرف می‌کنند. ما اکنون در حال ساخت مزارع بادی بزرگ هستیم تا بتوانیم این تقاضای انرژی را برآورده کنیم اما ما همچنین می‌توانیم توجه خود را به کارآمدتر کردن وسایل الکترونیکی خود معطوف کنیم. مغز ما جزو کارآمدترین رایانه‌هایی است که می‌شناسیم. مغز ۱۰ هزار برابر کمتر از مقرون به صرفه‌ترین رایانه‌ها انرژی مصرف می‌کند. این به این دلیل است که مغز ما داده‌ها را به روش‌های کاملا متفاوتی پردازش می‌کند. در حالی که رایانه‌ها جریان‌های باینری اطلاعات را با صفر و یک پردازش می‌کنند، مغز ما به طور مشابه با پالس‌های وابسته به زمان کار می‌کند. مغز ما اطلاعات میلیون‌ها سلول عصبی را که از تمام حواس ما می‌آیند، بدون هیچ مشکلی پردازش می‌کند. هنگام انجام این کار، برخلاف الکترونیک سنتی، تنها از سلول‌های مغز و سیناپس‌هایی استفاده می‌کند که پالس‌ها از آن عبور می‌کنند. از آنجا که انرژی فقط در یک پالس مصرف می‌شود، مغز ما می‌تواند بسیاری از داده‌ها را در یک زمان بسیار کارآمدتر پردازش کند.
مولکول‌هایی که نیجویس و گروهش مهندسی کرده‌اند، می‌توانند تمام عملیات گیت منطقی بولی (Boolean logic gate) مورد نیاز برای یادگیری عمیق را انجام دهند. در الکترونیک دیجیتال، دروازه منطقی یا گِیت منطقی (Logic gate)، روی یک یا دو ورودیِ منطقی، عملیات انجام می‌دهد و یک خروجی تولید می‌کند. اساس عملکرد آن بر منطق بولی استوار است که بر تمام مدار‌های دیجیتال حاکم است. گیت‌های منطقی بیشتر از ادوات الکترونیکی مانند ترانزیستور‌ها تشکیل می‌شوند، ولی ممکن است از قطعات الکترومغناطیسی مانند رله‌ها، قطعات نوری یا حتی مکانیکی ساخته شوند.
یادگیری عمیق شکلی از یادگیری ماشینی مبتنی بر شبکه‌های عصبی مصنوعی است و به طور گسترده نه تنها در مورد تشخیص خودکار تصاویر و گفتار، بلکه در جستجوی دارو‌های جدید و اخیراً در خلق هنر نیز استفاده می‌شود. نیجویس خاطرنشان کرد که انجام همه آن‌ها برای رایانه بسیار دشوارتر از مغز ماست. محققان در زمینه نرم افزار‌های هوش مصنوعی پیشرفت زیادی کرده‌اند، اما این مولکول‌ها اکنون سخت افزار هوش مصنوعی را نیز به هم نزدیک‌تر می‌کنند.
برای شبیه‌سازی رفتار دینامیکی سیناپس‌ها در سطح مولکولی، محققان انتقال سریع الکترون را با جفت شدن آهسته پروتون که با انتشار محدود می‌شود ترکیب کردند. این عملیات شبیه پالس‌های سریع و جذب آهسته انتقال دهنده‌های عصبی از نورون‌های مغز ماست. مولکول‌ها می‌توانند قدرت و مدت این پالس‌ها را تغییر دهند. به این ترتیب، آن‌ها نوعی شرطی شدن کلاسیک را نشان می‌دهند. مولکول‌ها رفتار خود را با محرک‌هایی که قبلا دریافت کرده‌اند تطبیق می‌دهند. در آینده این نوع مولکول‌ها ممکن است به محرک‌های دیگری مانند نور نیز پاسخ دهند.
این پیشرفت، فرصت‌هایی را برای توسعه طیف جدیدی از شبکه های قابل انطباق و پیکربندی مجدد باز می‌کند. این‌ها به می‌توانند به توسعه شبکه های تطبیقی ​​چند منظوره جدید منجر شوند که شبکه‌های عصبی مصنوعی را به طور قابل ملاحظه‌ای ساده می‌کنند.
نیجویس افزود: با انجام این کار، ما به طور چشمگیری مصرف انرژی الکترونیک خود را کاهش خواهیم داد. مولکول‌های چند منظوره که به نور نیز حساس هستند یا می‌توانند مولکول‌های دیگر را شناسایی کنند، می‌توانند به طور بالقوه به توسعه انواع جدیدی از شبکه‌های عصبی یا حسگر‌ها منجر شوند.
یافته‌های این مطالعه در مجله Nature Materials منتشر شد.