سرویس معامله آسان تترلند معرفی شد
تترلند با ترکیب دو سرویس «معامله آسان تتر» و «مبدل رمزارزی»، سرویس «معامله آسان» را…
۱۶ تیر ۱۴۰۴
۱۶ تیر ۱۴۰۴
زمان مطالعه : ۶ دقیقه
رایانش نورومورفیک که با نام مهندسی نورومورفیک یا محاسبات عصبی نیز شناخته میشود، رویکردی به محاسبات است که از نحوه کارکرد مغز انسان تقلید میکند. این حوزه شامل طراحی سختافزار و نرمافزاری است که ساختارها و عملکردهای عصبی و سیناپسی مغز را برای پردازش اطلاعات شبیهسازی میکنند.
ممکن است رایانش نورومورفیک (neuromorphic) حوزهای نوین به نظر برسد، اما ریشههای آن به دهه ۱۹۸۰ بازمیگردد؛ زمانی که «میشا ماهوالد» و «کارور مید» نخستین شبکیه و حلزون گوش سیلیکونی و همچنین اولین نورونها و سیناپسهای سیلیکونی را توسعه دادند و بدینترتیب پیشگامان این پارادایم محاسباتی شدند.
امروزه با گسترش سیستمهای هوش مصنوعی، نیاز به سختافزار و نرمافزارهای پیشرفته بیش از پیش احساس میشود. رایانش نورومورفیک میتواند بهعنوان شتابدهنده رشد هوش مصنوعی عمل کند، توان محاسباتی با عملکرد بالا را افزایش دهد و یکی از بلوکهای سازنده ابرهوش مصنوعی (Artificial Super-Intelligence) باشد. حتی آزمایشهایی در جریان است که رایانش نورومورفیک را با رایانش کوانتومی ترکیب کنند.
شرکت مشاوره مدیریتی گارتنر، پردازش نورومورفیک را بهعنوان یکی از فناوریهای نوظهور برتر برای کسبوکارها معرفی کرده است. بهطور مشابه، شرکت خدمات حرفهای «PwC» نیز بر اهمیت کاوش این فناوری توسط سازمانها تأکید دارد؛ چراکه به سرعت در حال پیشرفت است، اما هنوز آنقدر ساخته و پرداخته نشده که به جریان اصلی فناوری تبدیل شود.
از آنجا که رایانش نورومورفیک از مغز انسان الهام میگیرد، بهطور گستردهای از زیستشناسی و علوم اعصاب بهره میبرد.
به گفته مؤسسه مغز کوئینزلند، نورونها «واحدهای بنیادی مغز و سیستم عصبی» هستند. این سلولهای عصبی نقش پیامرسان را دارند و اطلاعات را میان بخشهای مختلف مغز و سایر نقاط بدن منتقل میکنند. زمانی که یک نورون فعال میشود، مجموعهای از سیگنالهای شیمیایی و الکتریکی را آزاد میکند که از طریق شبکهای بهنام سیناپسها منتقل شده و ارتباط میان نورونها را برقرار میکنند.
این سازوکارهای زیستی در سیستمهای رایانش نورومورفیک از طریق «شبکههای عصبی اسپایک» (SNNs) مدلسازی میشوند. این شبکهها از نورونها و سیناپسهای اسپایک تشکیل شدهاند.
نورونهای اسپایک مانند نورونهای زیستی دادهها را ذخیره و پردازش میکنند. هر نورون دارای بار الکتریکی، تأخیر زمانی و آستانه خاص خود است. سیناپسها مسیرهایی میان نورونها ایجاد کرده و دارای مقادیر وزنی و تأخیری هستند. این مقادیر شامل بار نورونی، تأخیر سیناپسی و نورونی، آستانه نورون و وزن سیناپسی، همگی قابل برنامهریزی هستند.
در معماری نورومورفیک، سیناپسها بهصورت ابزارهای سیناپسی مبتنی بر ترانزیستور نمایش داده میشوند و از مدارهایی برای انتقال سیگنالهای الکتریکی بهره میبرند. این سیناپسها معمولاً مؤلفهای یادگیرنده دارند و با گذشت زمان و بر اساس فعالیت شبکه، وزن آنها تغییر میکند.
برخلاف شبکههای عصبی معمول، شبکههای عصبی اسپایکی، زمان را نیز در عملیات خود دخیل میکنند. بار نورونی در طول زمان تجمع مییابد و اگر از آستانه عبور کند، نورون اسپایک و اطلاعات را منتقل میکند. اما اگر این بار به آستانه نرسد، بهتدریج تخلیه شده و نشت میکند. همچنین SNNها مبتنی بر رخداد هستند و با بهرهگیری از تأخیرهای نورونی و سیناپسی، اطلاعات را بهصورت ناهمزمان منتشر میکنند.
در چند دهه اخیر، بسیاری از پیشرفتهای رایانش نورومورفیک در قالب سختافزار رخ دادهاند.
در دانشگاه استنفورد، «نوروِگرید» یکی از پیادهسازیهای اولیه بود؛ سیستمی چندتراشهای با ترکیب آنالوگ و دیجیتال که میتواند در زمان واقعی یک میلیون نورون با میلیاردها اتصال سیناپسی را شبیهسازی کند. در همین حال، مرکز پژوهشی «IMEC» یک تراشه نورومورفیک خودآموز توسعه داد.
نهادهای دولتی نیز از این حوزه حمایت کردهاند. «پروژه مغز انسان» در اتحادیه اروپا، ابتکاری دهساله بود که در سال ۲۰۲۳ پایان یافت. این پروژه با هدف درک بهتر مغز، یافتن درمانهایی برای بیماریهای مغزی و توسعه فناوریهای رایانش الهامگرفته از مغز طراحی شده بود.
از جمله دستاوردهای این پروژه میتوان به ماشینهای بزرگمقیاس نورومورفیک « SpiNNaker» و «BrainScaleS» اشاره کرد. «SpiNNaker» در زمان واقعی با تراشههای دیجیتال چندهستهای کار میکند و از شبکهای بستهمحور برای بهینهسازی تبادل اسپایک بهره میبرد. «BrainScaleS» سیستمی شتابگرفته است که مدلهای آنالوگ نورونها و سیناپسها را شبیهسازی میکند. این سیستم شامل تراشههایی در دو نسل بهنامهای BrainScaleS-1 و BrainScaleS-2 است.
در صنعت فناوری نیز تراشههایی مانند Loihi از اینتل، NeuronFlow از GrAI Matter Labs و تراشههای نورومورفیک TrueNorth و NorthPole از IBM توسعه یافتهاند.
بیشتر این تراشهها با سیلیکون ساخته میشوند و از فناوری CMOS استفاده میکنند. با این حال، پژوهشهایی روی مواد جدید مانند مواد فروالکتریک و تغییر فاز نیز در جریان است. همچنین عنصر حافظهای بهنام ممریستور (ترکیبی از حافظه و مقاومت) در حال بررسی است تا حافظه و پردازش داده در همان مکان در نورونها امکانپذیر شود.
در حوزه نرمافزار، توسعه الگوریتمهای یادگیری برای رایانش نورومورفیک از تکنیکهای یادگیری ماشینی و غیر یادگیری ماشینی بهره میبرد. برخی از این الگوریتمها عبارتاند از:
یادگیری عمیق: شبکههای عصبی عمیق آموزشدیده را میتوان با استفاده از راهکارهایی مانند نرمالسازی وزنها و توابع فعالسازی به شبکههای عصبی اسپایک تبدیل کرد.
الگوریتمهای تکاملی: این الگوریتمها از اصول تکامل زیستی مانند جهش، تولیدمثل و انتخاب طبیعی استفاده میکنند تا ساختار و پارامترهای SNNها را بهینهسازی کنند.
گرافها: شبکههای عصبی اسپایک بهخوبی در قالب گراف جهتدار نمایش داده میشوند. زمان اسپایکزدن گرهها با کوتاهترین مسیر از گره آغازگر مرتبط است.
پلاستیسیته: در علوم اعصاب، نوروپلاستیسیته توانایی مغز برای بازسازی مسیرهای عصبی است. در معماری نورومورفیک، پلاستیسیته سیناپسی معمولاً با روش Spike Timing Dependent Plasticity پیادهسازی میشود.
رایانش مخزن: در این روش، ورودیها به فضای محاسباتی با ابعاد بالاتر نگاشته میشوند. در رایانش نورومورفیک، شبکه عصبی اسپایک بهعنوان مخزن عمل میکند.
رایانش نورومورفیک قابلیتهای محاسباتی چشمگیری دارد. برخی از مزایای آن عبارتاند از:
سhزگاری بالا: نورومورفیک با الهام از مغز انسان، قابلیت یادگیری بلادرنگ و انطباق با محرکهای جدید را دارد.
کارایی انرژی: از آنجا که سیستمها فقط در واکنش به اسپایکها فعال میشوند، مصرف انرژی کاهش مییابد.
عملکرد بالا: برخلاف معماری فوننیومن که واحد پردازش و حافظه جدا هستند، رایانش نورومورفیک داده را در نورونها ذخیره و پردازش میکند.
پردازش موازی: هر نورون میتواند بهطور مستقل عملیاتی انجام دهد، بنابراین امکان اجرای همزمان تعداد زیادی از وظایف وجود دارد.
این فناوری همچنان در مراحل اولیه است و با چالشهایی روبهروست:
دقت پایینتر: تبدیل شبکههای عصبی به نوع اسپایک ممکن است باعث افت دقت شود. همچنین ممریستورها دارای نوسانات هستند.
نبود استانداردها: هنوز استانداردها، مجموعهدادههای نمونه و معیارهای مشخصی برای این حوزه وجود ندارد.
دشواری توسعه نرمافزار: بسیاری از نرمافزارهای مورد استفاده برای سختافزارهای فوننیومن طراحی شدهاند.
پیچیدگی علمی: این حوزه ترکیبی از زیستشناسی، علوم رایانه، مهندسی، ریاضیات و فیزیک است و فهم آن دشوار است.
گرچه کاربردهای عملی فعلی محدودند، این فناوری میتواند در زمینههای زیر مفید باشد:
وسایل نقلیه خودران: برای تصمیمگیری سریعتر و مصرف انرژی کمتر
امنیت سایبری: برای شناسایی الگوهای مشکوک
هوش مصنوعی در لبه شبکه: برای پردازش مؤثر در دستگاههای کوچک
شناسایی الگو: در زبان طبیعی، تصویربرداری پزشکی و EEG
رباتیک: برای یادگیری و تصمیمگیری بلادرنگ
منبع: ibm.com