14 نوامبر 2023 -توسط وین لوئیس، موسسه نانوسیستم های کالیفرنیا
فناوری پلت فرم جدید که بر اساس مغز مدل سازی شده است از شبکه درهم تنیده ای از سیم های حاوی نقره تشکیل شده است که روی بستری از الکترودها قرار گرفته اند. اعتبار: سام لیلاک/UCLA
یک سیستم محاسباتی آزمایشی که به طور فیزیکی پس از اینکه مغز بیولوژیکی “یاد گرفته” برای شناسایی اعداد دست نویس با دقت کلی 93.4٪ مدل سازی شده است. نوآوری کلیدی در این آزمایش، یک الگوریتم آموزشی جدید بود که به سیستم اطلاعات مستمری در مورد موفقیت آن در کار در زمان واقعی و در حین یادگیری می داد. این مطالعه در Nature Communications منتشر شد.
این الگوریتم از رویکرد یادگیری ماشینی معمولی که در آن آموزش پس از پردازش دسته‌ای از داده‌ها انجام می‌شد، عملکرد بهتری داشت و دقت 91.4 درصد را تولید می‌کرد. محققان همچنین نشان دادند که حافظه ورودی های گذشته ذخیره شده در خود سیستم باعث افزایش یادگیری می شود. در مقابل، سایر رویکردهای محاسباتی حافظه را در نرم افزار یا سخت افزار جدا از پردازنده دستگاه ذخیره می کنند.
به مدت 15 سال، محققان مؤسسه نانوسیستم های کالیفرنیا در UCLA یا CNSI در حال توسعه یک فناوری پلت فرم جدید برای محاسبات بوده اند. این فناوری یک سیستم الهام‌گرفته از مغز است که از شبکه‌ای درهم از سیم‌های حاوی نقره تشکیل شده است که روی بستری از الکترودها قرار گرفته‌اند. سیستم ورودی دریافت می کند و خروجی را از طریق پالس های الکتریسیته تولید می کند. تک تک سیم ها آنقدر کوچک هستند که قطر آنها در مقیاس نانو، در میلیاردم متر اندازه گیری می شود.
“مغزهای نقره ای ریز” بسیار متفاوت از کامپیوترهای امروزی هستند که حاوی حافظه های جداگانه و ماژول های پردازشی هستند که از اتم هایی ساخته شده اند که موقعیت آنها با جریان الکترون ها در آنها تغییر نمی کند. در مقابل، شبکه نانوسیم به طور فیزیکی در پاسخ به محرک، با حافظه مبتنی بر ساختار اتمی خود و در سراسر سیستم پخش می شود، پیکربندی مجدد می شود. در جایی که سیم‌ها روی هم قرار می‌گیرند، اتصالات می‌توانند شکل بگیرند یا شکسته شوند – مشابه رفتار سیناپس‌ها در مغز بیولوژیکی که در آن نورون‌ها با یکدیگر ارتباط برقرار می‌کنند.
همکاران در این تحقیق، در دانشگاه سیدنی، یک الگوریتم ساده برای ارائه ورودی و تفسیر خروجی ایجاد کردند. این الگوریتم برای بهره برداری از توانایی مغز مانند سیستم برای تغییر پویا و پردازش چندین جریان داده به طور همزمان سفارشی شده است.
این سیستم مغز مانند از ماده ای حاوی نقره و سلنیوم تشکیل شده بود که اجازه داشت به صورت خودسازماندهی در شبکه ای از نانوسیم های درهم تنیده در بالای آرایه ای از 16 الکترود قرار گیرد.
دانشمندان شبکه نانوسیم را با استفاده از تصاویر اعداد دست نویس، مجموعه داده ای که توسط موسسه ملی استاندارد و فناوری ایجاد شده و اغلب برای محک زدن سیستم های یادگیری ماشینی استفاده می شود، آموزش داده و آزمایش کردند. تصاویر پیکسل به پیکسل با استفاده از پالس های الکتریسیته که هر کدام یک هزارم ثانیه طول می کشد، با ولتاژهای متفاوت نشان دهنده پیکسل های روشن یا تاریک به سیستم منتقل می شدند.
انتظار می‌رود که شبکه نانوسیم هنوز در حال توسعه است، برای انجام وظایف مشابه به انرژی بسیار کمتری نسبت به سیستم‌های هوش مصنوعی مبتنی بر سیلیکون نیاز داشته باشد. این شبکه همچنین در مورد وظایفی که هوش مصنوعی فعلی برای انجام آنها تلاش می کند، نوید می دهد: درک داده های پیچیده، مانند الگوهای آب و هوا، ترافیک و سایر سیستم هایی که در طول زمان تغییر می کنند. برای انجام این کار، هوش مصنوعی امروزی به حجم عظیمی از داده های آموزشی و مصرف انرژی بسیار بالا نیاز دارد.
با نوع طراحی مشترک مورد استفاده در این مطالعه -سخت‌افزار و نرم‌افزار توسعه‌یافته پشت سر هم- شبکه‌های نانوسیم ممکن است در نهایت نقش مکملی در کنار دستگاه‌های الکترونیکی مبتنی بر سیلیکون داشته باشند. حافظه و پردازش مغز مانند تعبیه شده در سیستم های فیزیکی که قادر به تطبیق و یادگیری مداوم هستند ممکن است به ویژه برای به اصطلاح “محاسبات لبه” که داده های پیچیده را بدون نیاز به ارتباط با سرورهای دور پردازش می کند، مناسب باشد.
استفاده‌های بالقوه شامل روباتیک، ناوبری خودکار در ماشین‌هایی مانند وسایل نقلیه و هواپیماهای بدون سرنشین، و فناوری دستگاه هوشمند که اینترنت اشیا را می‌سازد، و همچنین نظارت بر سلامت و هماهنگی اندازه‌گیری‌ها از حسگرها در مکان‌های مختلف است.
