طراحی تراشه‌ای با عملکرد شبیه سلول‌های واقعی مغز در MIT

استفاده از کامپیوتر برای شبیه سازی فعالیت های مغز برای افراد مشغول در زمینه ی هوش مصنوعی پیشرفته، کار بسیار سختی است؛ اما اگر سخت افزار بیشتر شبیه به سخت افزار مغز طراحی شده باشد، مدیریت آن آسان تر می شود.

این زمینه ی نوظهور،پردازش نورومورفیکنامیده می شود. در حال حاضر مهندسان مؤسسه ی فناوری ماساچوست از پس طراحی تراشه ای باسیناپس های مصنوعیبرآمده اند. مغز انسان در حال حاضر از هر کامپیوتر دیگری قوی تر است و حاوی ۸۰ میلیارد نورون و بالغ بر ۱۰۰ تریلیون سیناپس است که نورون ها را به هم متصل می کنند و انتقال سیگنال ها را کنترل می کنند.

تراشه های کامپیوترها در حال حاضر با انتقال سیگنال ها به زبانباینری(صفر و یک) کار می کنند. همه ی اطلاعات با کدهای ۰ و ۱ یا سیگنال هایروشن/خاموشکدگذاری می شود. برای اینکه نحوه ی عملکرد این ایده را با مغز مقایسه کنید به این نمونه توجه کنید: در سال ۲۰۱۳ یکی از قوی ترین ابررایانه های جهان یک شبیه سازی از فعالیت مغز انجام داد و تنها به نتیجه ی کوچکی دست یافت.

کامپیوترکی ریکناز ۸۲,۹۴۴ پردازنده و یک پتابایت (۱۰۲۴ ترابایت) حافظه اصلی استفاده می کند 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 شبیه سازی کند. ممکن است این اعداد بزرگ به نظر برسند؛ ولی تنها معادل یک درصد از مغز انسان هستند.

اما اگر یک تراشه از ارتباطات سیناپس مانند استفاده کند، سیگنال هایی کامپیوتر می توانند بسیار متنوع شوند و باعث یادگیری سیناپس مانند شوند. سیناپس ها نقش واسطه را در انتقال سیگنال ها در مغز بازی می کنند. نورون ها نیز با توجه به تعداد و نوع یون هایی که از سیناپس ها می گذرند، عمل می کنند. این دو عمل باعث می شود 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 مؤسسه ی فناوری ماساچوست تراشه ای با سیناپس های مصنوعی از جنس سیلیکون ژرمانیوم، طراحی کرده اند که مانند جریان یونی بین نورون ها، قدرت جریان الکتریکی بین سیناپس ها را به طور دقیق کنترل می کند.

این تراشه در یک شبیه سازی توانست نمونه های دستخط را با دقتی ۹۵ درصدی تشخیص دهد. طرح های قبلی تراشه های نورومورفیک ازدو لایه ی هدایت کنندهکه به وسیله ی یک واسطه ی آمورف (فاقد شکل خاص) سوئیچی که مانند سیناپس ها عمل می کرد، استفاده می کردند. وقتی جریان سوئیچ باز بود، یون ها ازطریق این واسطه عبور می کردند و یک رشته هدایت کننده ایجاد می کردند تا وزن سیناپسی یا قدرت و ضعف سیگنال بین دو نورون را شبیه سازی کند.

مشکل روش فوق این بود که ساختاری برای انتقال سیگنال ها تعریف نشده بود و مسیرهای نامحدودی برای این انتقال وجود داشت. بی نهایت بودن راه ها موجب می شد که عملکرد تراشه ها بی ثبات و غیر قابل پیش بینی شود.جیوان کیم، محقق اصلی این پژوهش، گفت:

وقتی برای ارائه ی چندین داده با نورون های مصنوعی ولتاژ وارد کنید، باید آن ها را پاک کنید و قادر باشید دوباره آن ها را به همان روش، از نو بنویسید. اما وقتی در یک محیط آمورف شروع به نوشتن دوباره می کنید، یون ها به دلیل عیب های زیاد، در مسیرهای متفاوتی حرکت می کنند؛ جریان تغییر می کند و کنترل اوضاع سخت می شود. بزرگ ترین مشکل، عدم انطباق سیناپس مصنوعی است.

تیم از این نکته درس گرفت و تراشه ی خود را با جنس سیلیکون ژرمانیوم ساخت و شبکه هایی تک بعدی برای جریان یون ها تعبیه کرد. این کار موجب می شود که مسیر حرکت یون ها همیشه یکسان باشد. سپس از این شبکه های سیلیکون ژرمانیومی برای ساخت یک تراشه نورومورفیک استفاده شد؛ هنگامی که ولتاژ داده می شد، تمامی سیناپس های تراشه، جریان یکسانی با اختلاف ۴ درصدی ارائه می دادند.

یک سیناپس واحد نیز به تنهایی ۷۰۰ بار با ولتاژ تست شد. جریان این سیناپس تنها ۱ درصد تغییر کرد و یک دست ترین دستگاه ممکن را به وجود آورد. تیم از این تراشه در یک کار واقعی استفاده کرد و مشخصه های آن را شبیه سازی کرد و تراشه را در کنار مرکز داده ی MNST نمونه های دست خط مورد استفاده قرار داد. از مرکز داده ی MNST معمولا برای آموزش نرم افزارهای پردازش تصویر استفاده می شود.

شبکه ی نورونی مصنوعی شبیه سازی شده این تیم، متشکل از ۳ برگه ی نورونی بود که با دو لایه از سیناپس مصنوعی از یکدیگر جدا شده بودند. این شبکه ی نورونی قادر بود ده ها هزار دست خط را با دقت ۹۵ درصدی تشخیص دهد. دقت نرم افزار کنونی ۹۷ درصد است.

اقدام بعدی ساخت تراشه ای است که قادر به انجام وظیفه ی تشخیص دست خط باهدف نهایی ایجاد دستگاه های شبکه عصبی قابل حمل باشد. کیم گفت:

ما در نهایت تراشه ای می خواهیم که به اندازه ی یک ناخن باشد تا آن را جایگزین یک ابررایانه بزرگ کنیم. این پژوهش محرکی برای تولید سخت افزار هوش مصنوعی واقعی است.

دستاوردهای این پژوهش درNature Materialsمنتشر شده است.