توسعه سخت‌افزار شبیه مغز برای هوش مصنوعی: یادگیری خودکار با مصرف انرژی بسیار کمتر

مزیت‌های کلیدی رایانش نورومورفیک

جوزف فریدمن، استادیار این دانشگاه، معتقد است که این دستاورد می‌تواند شیوه یادگیری ماشین‌ها را دگرگون سازد. او در این باره اظهار داشت:

تحقیق ما نشان دهنده روشی نوین برای ساخت رایانه‌های شبیه مغز است که می‌توانند به تنهایی بیاموزند. از آنجا که رایانه‌های نورومورفیک نیازمند آموزش رایانشی عظیمی نیستند، آنها می‌توانند بدون هزینه‌های کلان انرژی، دستگاه‌های هوشمند را فعال کنند.

این رویکرد جدید، چالش‌های اساسی سیستم‌های هوش مصنوعی رایج را هدف قرار می‌دهد.

تفاوت با معماری رایانه‌های سنتی

رایانه‌های سنتی با جدا کردن حافظه از پردازش، باعث می‌شوند داده‌ها به طور مداوم بین این دو بخش در حرکت باشند. این طرح معماری دارای معایب بزرگی برای هوش مصنوعی است:

• مصرف انرژی بالا: سیستم‌های هوش مصنوعی انرژی زیادی مصرف می‌کنند.
• وابستگی به داده: به شدت به مخازن انبوه داده‌های برچسب‌دار تکیه می‌کنند.
• هزینه‌های سرسام‌آور: آموزش مدل‌های بزرگ ممکن است صدها میلیون دلار هزینه داشته باشد.

الگوی عملکرد الهام‌گرفته از مغز

رایانش نورومورفیک به شیوه‌ای متفاوت عمل می‌کند و مستقیماً از مغز انسان الهام گرفته است. در این سیستم، نورون‌ها و سیناپس‌ها اطلاعات را به طور همزمان پردازش و ذخیره می‌کنند. سیناپس‌ها بر اساس میزان فعالیت، قوی یا ضعیف می‌شوند که این امر امکان یادگیری مداوم را فراهم می‌آورد.

فریدمن در توضیح اصول یادگیری خودکار این رایانه می‌افزاید: «اصولی که برای آموختن خودکار رایانه استفاده می‌کنیم، آن است که اگر یک نورون مصنوعی سبب تحریک نورون مصنوعی دیگری شود، سیناپس اتصال دهنده آنها رساناتر می‌شود.»

نقش اتصال‌های تونلی مغناطیسی (MTJ)

هستهٔ این نمونهٔ اولیه را اتصال‌های تونلی مغناطیسی (MTJ) تشکیل می‌دهند. این ابزارهای در مقیاس نانو، از دو لایهٔ مغناطیسی و یک لایهٔ عایق در میان آن‌ها ساخته شده‌اند. نحوه عبور الکترون‌ها از این سد عایق به جهت‌گیری لایه‌های مغناطیسی بستگی دارد:

محققان با اتصال چندین MTJ به شکل یک شبکه، سامانه‌ای ساختند که اتصالات خود را در حین عبور سیگنال‌ها به‌طور خودکار تنظیم می‌کند. این فرایند تقویت و تضعیف مسیرها، دقیقاً مشابه تغییر قدرت سیناپس‌های مغز در هنگام یادگیری است.