محاسبات نورومورفیک برای مقابله با بحران پیش روی صنعت فناوری

محاسبات مبتنی بر مغز این امکان را به شرکت های فناوری میدهد تا با محدودیت های فعلی ایجاد شده در طراحی تراشه مقابله کنند.

بهترین کامپیوتر دنیا کدام است؟ این یکی داخل جمجمه شماست. بله درست متوجه شدید مغز بزرگترین و قدرتمندترین کامپیوتر دنیاست، چراکه کوچک و سبک‌وزن هستند و مصرف انرژی کمی دارند و به صورت قابل توجهی شگفت انگیز هستند.در همین امر باعث شده است با پیشرفت کامپیوترها، مغزها بسیار جلوتر از رقبا خود باشند و البته موضوع مهم این است که مدلی برای موج بعدی محاسبات پیشرفته خواهند بود.
این طرح هایی که از مغز الهام گرفته است، در مجموع به عنوان «محاسبات نورومورفیک» شناخته می شوند. حتی پیشرفته‌ترین رایانه‌ها از نظر قدرت به مغز انسان - یا حتی مغز اکثر پستانداران - نمیرسند، اما ماده خاکستری ما در مغز، می‌تواند به مهندسان و توسعه‌دهندگان نکاتی را در مورد چگونگی کارآمدتر کردن زیرساخت‌های محاسباتی با تقلید از سیناپس‌ها و و نورون های خود ارائه دهد.

اول، موارد مرتبط با زیست شناسی مغز را مورد بررسی قرار میدهیم؛. نورون ها نوعی سلول های عصبی می باشند که به عنوان کابلی پیام ها را از یک قسمت بدن به قسمت دیگر منتقل می کنند. این پیام‌ها از یک نورون به نورون دیگر منتقل می‌شوند تا زمانی که به قسمت سمت راست بدن برسند، جایی که می‌توانند اثری ایجاد کنند ( مثلاً با آگاه شدن ما از درد، یا حرکت دادن عضله)
روشی که نورون ها پیام ها را از طریق یک شکاف به یکدیگر منتقل می کنند، سیناپس نامیده می شود. هنگامی که یک نورون ورودی کافی برای تحریک دریافت کرد، یک تکانه شیمیایی یا الکتریکی را که به عنوان پتانسیل عمل شناخته می شود، به نورون بعدی یا به سلول دیگری مانند ماهیچه یا غده ارسال می کند.

دومین مورد، تکنولوژی و فناوری است که مورد بررسی قرار میگیرد؛ نرم افزار محاسباتی نورومورفیک به دنبال ایجاد مجدد این پتانسیل های عمل از طریق شبکه های عصبی اسپک (SNN)است.
. SNNها از نورون‌هایی ساخته شده‌اند که با تولید پتانسیل‌های عمل خود به نورون‌های دیگر سیگنال می‌دهند و در حین حرکت اطلاعات را منتقل می‌کنند. قدرت و زمان‌بندی پیام‌ها باعث می‌شود که نورون‌ها ارتباط‌های بین خود را دوباره ترسیم کنند، و به SNN اجازه می‌دهد با تغییر ورودی‌ها، یادگیری انجام شود. (دقیقاً این طریقه یادگیری مغز است.)
از نظر سخت افزاری، تراشه های نورومورفیک نیز یک انحراف اساسی از CPU ها و GPU های مورد استفاده در اکثر سخت افزارهای محاسباتی امروزی هستند. معماري‌هاي سنتي مدتي است كه در حال شكستن هستند، و سازندگان سخت‌تر مي‌توانند ترانزيستورهاي بيشتري را روي يك تراشه قرار دهند، زيرا آنها در مقابل محدوديت‌هاي فيزيكي، مصرف برق و توليد گرما دارای مشکلاتی می باشند.
در عین حال، ما داده‌های محاسباتی بیشتری تولید می‌کنیم و قدرت محاسباتی بیشتری مصرف می‌کنیم، به این معنی که رایانه فوق‌العاده سازگار، فوق‌العاده قدرتمند و با انرژی فوق‌العاده کم در ذهن ما به‌طور فزاینده‌ای جالب در مغز ما وجود دارد. (نوعی مدل تکنولوژی)
بهترین رایانه‌های ما راکد هستند و عملکردشان در نوسان است. اکنون محققان عجله زیادی برای یافتن چیزی دارند که بتوانند به پیشرفت علم رایانه جدید که در دهه‌های گذشته شاهد بودیم ادامه دهند.و در این میان مردم به دنبال فناوری‌های مختلف هستند.
سوهاس کومار، دانشمند پژوهشی در شرکت Hewlett Packard Enterprise می‌گوید:
اکنون برای یافتن مدل‌های جدید که می‌تواند به پیشرفت علم کامپیوتر جدید کمک کند،‌ عجله‌ی زیادی داریم. مردم به‌دنبال فناوری‌های مختلف هستند و احتمالا نورومورفیک امیدوارکننده‌ترین گزینه در بین گزینه‌های دیگر است.
به جای جدا کردن حافظه و محاسبات مانند اکثر تراشه‌های مورد استفاده امروزی، سخت‌افزار نورومورفیک هر دو را با هم نگه می‌دارد، و با پردازنده‌هایی که حافظه محلی خود را دارند با آرایشی شبیه مغز است، که باعث صرفه‌جویی در انرژی و سرعت بخشیدن به پردازش می‌شود.
محاسبات نورومورفیک همچنین می تواند به ایجاد موج جدیدی از برنامه های کاربردی هوش مصنوعی (AI) کمک کند. هوش مصنوعی فعلی معمولاً محدود است و با یادگیری از داده های ذخیره شده، توسعه و اصلاح الگوریتم ها تا زمانی که به طور قابل اعتماد با یک نتیجه خاص مطابقت داشته باشند، توسعه می یابد.
با این حال، استفاده از استراتژی‌های مغز مانند فناوری نورومورفیک می‌تواند به هوش مصنوعی اجازه دهد تا وظایف جدیدی را انجام دهد. از آنجایی که سیستم‌های نورومورفیک می‌توانند مانند مغز انسان کار کنند و به نحوی قادر به کنار آمدن با عدم قطعیت، سازگاری و استفاده از داده‌های آشفته و گیج‌کننده از دنیای واقعی هستند، می‌تواند پایه‌های عمومی‌تر شدن هوش مصنوعی را ایجاد کند.
" مایک دیویس، مدیر آزمایشگاه محاسبات نورومورفیک اینتل، درباره‌ی نورومورفیک می‌گوید:
توابع مختلفی وجود دارد که محاسبات معمولی در آن‌ها کارآمد نیستند؛ بنابراین، به‌دنبال معماری‌های جدیدی بودیم که بتواند پیشرفت‌های بیشتری ارائه دهد.
محاسبات نورومورفیک ریشه در سیستم‌های محاسباتی دارد که در اواخر دهه 1980 توسعه یافتند و برای مدل‌سازی عملکرد سیستم‌های عصبی حیوانات طراحی شدند. از آن زمان، محاسبات نورومورفیک سرعت گرفته، تا جایی که برخی از بزرگ‌ترین نام‌های فناوری سخت‌افزار نورومورفیک تولید کرده‌اند: برای مثال، تراشه TrueNorth IBM و تراشه Loihi 128 هسته‌ای اینتل و سیستم نورومورفیک Pohoiki Beach در حال حاضر در طبیعت منتشر شده‌اند.
با این حال، در حال حاضر، بیشتر استفاده‌های سیستم‌های نورومورفیک در آزمایشگاه‌های تحقیقاتی است: برای مثال، در مورد اینتل، سخت‌افزار آن در توسعه یک صندلی چرخدار آزمایشی استفاده می‌شود.
بازوی رباتیک r-mounted برای افراد مبتلا به آسیب های نخاعی و همچنین در پوست مصنوعی برای کمک به ربات ها برای داشتن حس لامسه مصنوعی مورد استفاده قرار میگیرد. با این حال، بعید است که آنها به همین شکل باقی بمانند
بیشتر پیشرفت‌هایی که در محاسبات نورومورفیک مشاهده می‌کنیم بسیار متفاوت هستند و یک جهش قابل‌توجه نسبت به وضعیت هنر هستند؛ برای مثال، انتظار می‌رود که زمان زیادی طول بکشد تا همه چیز به اندازه سخت‌افزار CMOS مقیاس‌پذیر شود.
آبرونیل سنگوپتا، استادیار دانشکده مهندسی برق و علوم کامپیوتر دانشگاه ایالتی پنسیلوانیا می‌گوید:
مشکلاتی وجود دارد؛ اما همچنین احساس می‌کنم پیشرفت چشمگیری در حال انجام است و می‌توانیم به‌زودی مشکلات را پشت‌سر بگذاریم.
تصور می‌شود که ما می‌توانیم ابتدا سیستم‌های نورومورفیک را ببینیم که به صنعت رباتیک و ماشین‌های خودمختار نیرو می‌دهند، جایی که محاسبات احتمالی می‌تواند به‌ویژه مفید باشد ( برای مثال، محاسبه خطر تصادف شخصی در جاده و اینکه آیا رفتار خودرو را بر این اساس تغییر دهیم یا خیر.)
علاوه بر گسترش چگونگی هوش مصنوعی، محاسبات نورومورفیک می‌تواند در کجا هوش مصنوعی را گسترش دهد. و میتوان گفت به‌جای واگذاری وظایف هوش مصنوعی به سیستم‌های ابری که به انرژی و خنک‌کننده نیاز دارندبه انرژی محاسبات نورومورفیک این وظایف منتقل شود، به این معنی که این وظایف به‌طور بالقوه می‌توانند توسط سخت‌افزارهایی مانند گوشی‌های هوشمند، تبلت‌ها، پهپادها و ابزارهای پوشیدنی انجام شوند.
تا به حال، داستان شرکت‌ها برای دستیابی به محاسبات قدرتمندتر، قطعات بیشتری و جای دادن در فضای کوچک تراشه بوده است.
ولی اکنون، در آینده بیشتر در مورد جمع کردن هوش بیشتر، به عبارت دیگر، جمع کردن توابع بیشتر، در حجم معینی تمرکز خواهد شد.

. برای اینکه نورومورفیک تأثیر اساسی‌تری داشته باشد، باید تعدادی تغییرات در صنعت فناوری گسترده‌تر اتفاق بیفتد. برای مثال، فناوری‌های حسگر به‌گونه‌ای تنظیم نشده‌اند که به خوبی با سیستم‌های نورومورفیک کار کنند، و باید دوباره طراحی شوند تا داده‌ها به گونه‌ای استخراج شوند که تراشه‌های نورومورفیک بتوانند پردازش شوند.
علاوه بر این، این فقط سخت افزار نیست که باید تغییر کند، بلکه مردم نیز هستند: به گفته Davies اینتل، در حالی که سخت افزار نسبتاً بالغ است، یکی از چالش های پیش روی این حوزه در مدل های برنامه نویسی نرم افزار پایه و بلوغ الگوریتمی است.
او می‌گوید: «این جایی است که ما واقعاً به یک مشارکت واقعی با دانشمندان علوم اعصاب نیاز داریم، با نسل جدیدی از دانشمندان داده‌های یادگیری ماشینی با ذهن باز تا در مورد بازنگری محاسبات از این طریق فکر کنند.»
محاسبات نورومورفیک می تواند منجر به یک صنعت فناوری مشارکتی بسیار یکپارچه تر شود، صنعتی که در آن محاسبات به یک مشکل طراحی سیستم سرتاسر تبدیل می شود. همکاری بیشتر با دانشمندان علوم اعصاب محتمل به نظر می رسد، زیرا مغز اطلاعات بیشتری در مورد آنچه محاسبات می تواند بهتر انجام دهد، به ویژه در مورد الگوریتم ها، دارد.
به عنوان مثال، سنگوپتا از Penn State در حال کار بر روی بازآفرینی روشی است که سلول‌های گلیال، معروف به سلول‌های پشتیبان مغز، بر همگام‌سازی فاز نورون برای محاسبات نورومورفیک تأثیر می‌گذارند. او استدلال می‌کند که پتانسیل عظیمی برای باز کردن جنبه‌های مختلف وجود دارد که ممکن است از دیدگاه الهام‌بخش مغز سود ببرند. او می‌گوید: «باز کردن جنبه‌های مختلف دیگر مغز، مانند اجزای جداگانه، یا معماری زیربنایی برای طراحی الگوریتم بهتر، به نظر من مسیری بسیار امیدوارکننده برای آینده است»

به نظر مترجم دنیای فناوری با سرعتی فراوانی همچون گردباد در حال پیشرفت و دگرگونی است. در این مقاله تنها به بخش کوچکی از این دنیای بزرگ برای محاسبات نورومورفیک اشاره شده است.اما اگر به این موضوع علاقه مند شدید منتظر مقاله های بعدی در ادامه باشید.

های فن تک از شما دعوت می کند نظرات خود را در مورد این مقاله به اشتراک بگذارید