27 آوریل 2022 -توسط دانشگاه اکستر -اعتبار: دامنه عمومی Pixabay/CC0
تیمی از دانشمندان بین المللی محاسبات یادگیری ماشینی دشواری را با استفاده از دستگاهی در مقیاس نانو به نام “اپتومریستور” انجام داده اند.دستگاه لایه نازک کالکوژنید از سیگنال های نور و الکتریکی برای تعامل و شبیه سازی محاسبات بیولوژیکی چند عاملی مغز پستانداران استفاده می کند در حالی که انرژی بسیار کمی مصرف می کند.
تا به امروز، تحقیقات روی سخت‌افزار برای کاربردهای هوش مصنوعی و یادگیری ماشین عمدتاً بر توسعه سیناپس‌ها و نورون‌های الکترونیکی یا فوتونیک و ترکیب آنها برای انجام اشکال اساسی پردازش نوع عصبی متمرکز شده است.
با این حال، مکانیسم‌های پردازش قدرتمندی که در مغزهای واقعی وجود دارند – مانند یادگیری تقویتی و محاسبات دندریتیک – و به ما کمک می‌کنند مهارت‌های جدید را بیاموزیم و کارهای روزمره را انجام دهیم، اجرای مستقیم در سخت‌افزار چالش‌برانگیزتر است.
این کار جدید در Nature Communications به پر کردن این شکاف سخت‌افزاری از طریق توسعه یک دستگاه «اپتومریستور» که به چندین ورودی الکترونیکی و فوتونیکی به طور همزمان پاسخ می‌دهد، کمک می‌کند.
یادگیری و پردازش پیچیده در مغز پستانداران توسط مکانیسم‌های بیوفیزیکی غنی که بر عملکرد نورون‌ها و سیناپس‌های مغز حکومت می‌کنند امکان‌پذیر می‌شود.
یکی از جنبه های کلیدی محاسبات چند عاملی است – مانند یادگیری سه عاملی – که به مغز اجازه می دهد تا با استفاده از تقویت های مثبت و منفی، به عنوان مثال هنگام انجام یک ورزش یا حرکت در پیچ و خم، به طور موثر یاد بگیرد. رویکرد اپتومریستور چنین یادگیری سه عاملی را در یک دستگاه تسهیل می کند.
دکتر سید قاضی سروات آزمایش‌های اپتومریستور را به عنوان دانشجوی DPhil در دانشگاه آکسفورد انجام داد و در حال حاضر در IBM Research Europe است، جایی که با همکارش دکتر تیمولئون مورائیتیس برای به کارگیری دستگاه‌ها در حل مسایل همکاری کرد. دکتر ساروات می‌گوید: «تحقیقات آنها یک رویکرد سخت‌افزاری عملی برای تقلید کارآمد از یادگیری تقویتی را نشان می‌دهد، شکلی از یادگیری ماشینی که ما در این مقاله از آن استفاده می‌کنیم تا جوندگان مصنوعی یاد بگیرند که در میان پیچ و خم حرکت کنند.»
پروفسور هاریش باسکاران، که این مطالعه را در دپارتمان مواد دانشگاه آکسفورد رهبری کرد، می‌افزاید که آنها “نشان می‌دهند که چگونه عملیات عصبی مبتنی بر تعامل سیگنال‌های متعدد را می‌توان با استفاده از سخت‌افزار نسبتا ساده انجام داد. این در کار ما نشان داده شده است. یک مشکل طبقه‌بندی غیرقابل تفکیک خطی (XOR) که برای حل آن به چندین لایه از نورون‌های مصنوعی معمولی نیاز دارد، برخلاف مغزی که از یک نورون بیولوژیکی استفاده می‌کند.
دکتر مورائیتیس ادامه داد: «در واقع، با شبیه‌سازی عملکرد به اصطلاح «بازداری شنت» دندریت‌های نورون‌های بیولوژیکی، نشان می‌دهیم که چگونه اپتومریستور ما می‌تواند به طور مؤثر یک راه‌حل تک نورونی برای مشکلات محاسباتی دشوار ارائه کند.
این جنبه ها و ارایه ها در مرحله اولیه اثبات مفهوم هستند و نویدبخش مقابله با برخی از چالش‌های مهم در یادگیری ماشینی هستند. برخی از مسائل کلیدی هنگام در نظر گرفتن مقیاس‌پذیری چنین مفاهیمی و ادغام آنها در کنار سایر بلوک‌های سخت‌افزاری به وجود می‌آیند. با این وجود تیم مشتاق است. پروفسور دیوید رایت از دانشگاه اکستر می‌گوید: «همه مفاهیم جدید خطرات قابل‌توجهی دارند، اما این شیوه جدیدی از تفکر در مورد محاسبات به اصطلاح چند عاملی است و هیجان‌انگیز است».
