محاسبات نورومورفیک چیست؟

محاسبات نورومورفیک که وابسته به مغز می‌باشد و به شرکت‌های فناوری کمک می‌کند تا بر محدودیت‌های فعلی طراحی تراشه غلبه کنید.

با توجه به پیشرفت‌های فراوانی که در طی تمام این سال‌ها به وجود آمده اما هنوز هم مغز انسان از همه‌ی رقبا جلوتر است.
مغز انسان کوچک و سبک بوده و مصرف انرژی کمی دارد و به طرز شگفت‌انگیزی کاملا سازگار هستند. به‌همین منظور قرار است از آن‌ها به عنوان مدلی برای موج بعدی محاسبات پیشرفته استفاده کرد.
این طرح‌هایی که از مغز انسان الهام گرفته‌اند در مجموع به عنوان محاسبات نورومورفیک شناخته می‌شوند. پیشرفته‌ترین رایانه‌ها نیز نمی‌توانند از نظر قدرت به مغز انسان ( پستانداران ) نزدیک شوند.
با این تفاسیر ماده‌‌ی خاکستری موجود در این بخش می‌تواند به مهندسان و توسعه‌دهندگان نکته‌هایی درباره‌ی چگونگی کارآمدتر کردن زیرساخت‌های محاسباتی با تقلید از سیناپس‌ها و نورون‌ها ارائه دهد.

زیست‌شناسی مغز

نورون‌ها سلول‌های عصبی هستند و مانند کابلی عمل می‌کنند که پیام‌ها را از قسمتی از بدن به بخشی دیگر منتقل می‌کنند. این پیام‌ها از نورونی به نورون دیگر انتقال می‌یابد تا زمانی که به قسمت درست ارسال شود یعنی جایی که باید اثری ایجاد شود. برای مثال می‌توان گفت: آن‌ها به ما کمک می‌کنند درد را متوجه شویم یا بتوانیم عضله‌ای در بدنمان را حرکت دهیم.
روشی که نورون‎ها پیامی را به یک‌دیگر انتقال می‌دهند، سیناپس نام دارد. زمانی‌که نورونی ورودی کافی برای تحریک دریافت کند، تکانه‌ای شیمیایی یا الکترونیکی را به نورون بعدی یا به سوال دیگری مانند ماهیچه یا غده ارسال می‌کند.

با الگوگیری چه فعالیت‌هایی می‌توان انجام داد؟

نرم‌افزارهای محاسباتی نورومورفیک به دنبال بازآفرینی این پتانسیل‌ها از طریق شبکه‌های عصبی ( SNNS) می‌باشد.
این SNNها از نورون‌هایی تهیه شده که با تولید پتانسیل‌های علمی ( Action Potentials ) خود به نورون‌های دیگر سیگنال می‌دهند و در هنگام حرکت اطلاعات را انتقال خواهند داد. قدرت و زمان تنظیم شده پیام‌ها سبب می‌شو نورون‌ها بتوانند بین خود ارتباطی ایجاد کنند و به SNNها اجازه دهند همان گونه که ورودی‌ها تغییر می‌کند، یاد بگیرند. در واقع می‌توان گفت: این شیوه کارکرد مغز و یادگاری است.

سخت‌افزاری

تراشه‌های نورومورفیک با تغییری اساسی در مقایسه با پردازنده‌ها و پردازنده‌های گرافیکی روبه‌رو شده اما در اکثر دستگاه‌های محاسباتی امروزی وجود دارند.
معماری‌های سنتی زمانی که از بین می‌روند و سازندگان سخت‌تر می‌توانند ترازینستورهای بیشتری را روی بک تراشه قرار دهند زیرا مشکلات مختلفی مانند محدودیت‌های فیزیکی و مصرف برق و تولید گرما پیش روی آن‌ها قرار دارد.
با تمام این تعاریف، مهم این است که همیشه در حال تولید داده‌های محاسباتی بیشتری هستیم و به قدرت محاسباتی بیشتری نیاز داریم. این یعنی اگر رایانه‌ای بسیار قابل انطباق و قدرتمند و کم مصرفی که در جمجه ما قرار دارد، روزبه‌روز مدل جذاب‌تری برای الگوگیری هنگام ساخت دستگاه‌های محاسباتی به نظر می‌رسد.
سوهاس کومار (  دانشمند محقق در شرکت ) می‌گوید: « اکنون برای یافتن مدل‌های جدید که می‌تواند به پیشرفت علم کامپیوتر جدید کمک کند،‌ عجله‌ی زیادی داریم. مردم به‌دنبال فناوری‌های مختلف هستند و احتمالا نورومورفیک امیدوارکننده‌ترین گزینه در بین گزینه‌های دیگر است. »
به جای جدا کردن حافظه و بخش محاسبات، مانند اکثر تراشه‌های استفاده شده امروزی، سخت‌افزار نورومورفیک هر دو را در کنار یک‌دیگر نگه می‌دارد. این مدل با داشتن پردازنده‌هایی که حافظه‌ی محلی خود را دارند، آرایشی شبیه به مغز دارد و باعث صرفه‌جویی در انرژی و سرعت پردازش می‌شود.
محاسبات نورومورفیک می‌تواند به ایجاد موج جدیدی از اپلیکیشن‌های هوش مصنوعی نیز کمک کند. هوش مصنوعی فعلا محدود می‌باشد. فناوری مذکور با یادگیری از داده‌های ذخیره شده و اصلاح الگوریتم‌ها توسعه می‌یابد و این کار تا زمانی ادامه پیدا می‌کند که به نتیجه‌ی مدنظر برسد.

با این تفاسیر، استفاده از استراتژی‌های مغز مانند فناوری نوروموفیک می‌تواند به هوش مصنوعی اجازه دهد وظایف جدیدی انجام دهد. سیستم‌های نورومورفیک می‌توانند مانند مغز انسال کار کنند و این امکان وجود دارد که هوش مصنوعی از همیشه قدرتمندتر شود. سیستم‌های نورومورفیک می‌تواند با مشکلات گیج‌کننده کنار بیایند و سازگاری چشمگیری داشته باشند. مایک دیویس ( مدیر آزمایشگاه محاسبات نورومورفیک اینتل ) درباره‌ی نورومورفیک می‌گوید: « توابع مختلفی وجود دارد که محاسبات معمولی در آن‌ها کارآمد نیستند؛ بنابراین، به‌دنبال معماری‌های جدیدی بودیم که بتواند پیشرفت‌های بیشتری ارائه دهد.»
نوومورفیک در سیستم‌های محاسباتی ریشه دارد که اواخر دهه‌ی 1980 توسعه یافت و برای مدل‌سازی عملکرد سیستم‌های عصبی حیوانات طراحی شده‌اند. از آن موقع این محاسبات سرعت پیدا کرد تا جایی که بعضی از فناوری‌های بزرگ سخت‌افزار نورومورفیک تولید کردند. درحال حاضر، بیشتر استفاده‌ها از سیستم‌های نورومورقفیک در آزمایشگاه‌های تحقیقاتی است. برای مثال می‌توان سخت‌افزار اینتل در توسعه‌ی بازوی رباتیک آزمایشی روی صندلی چرخ‌دار برای افراد مبتلا به آسیب‌های نخاعی و در پوست مصنوعی برای کمک به ربات‌ها استفاده می‌شود تا آن‌ها نیز بتوانند حس لامسه‌ی مصنوعی داشته باشند. با تمام این تفاسیر بعید است این فناوری در همین شکل باقی بمانند.

اولین سیستم‌های تجاری که به صورت قابل توجه به محاسبات نورومورفیک متکی هستند، در پنج سال آینده در دسترس قرار بگیرند. بیشتر پیشرفت‌هایی که در محاسبات نورومورفیک مشاهده می‌کنیم، بسیار متفاوت هستند.
آبرونیل سنگوپتا ( استادیار دانشکده مهندسی برق و علوم کامپیوتر دانشگاه ایالتی پنسیلوانیا ) می‌گوید: « مشکلاتی وجود دارد؛ اما همچنین احساس می‌کنم پیشرفت چشمگیری در حال انجام است و می‌توانیم به‌زودی مشکلات را پشت‌سر بگذاریم. »
اولین مکانی که امکان دارد از حضور جدی این سیستم محاسباتی قدرتمند استفاده کرد، صنعت رباتیک و ماشین‌های خودران هستند. در این دو بخش، سرعت محاسباتی و در نظر گرفتن حالات مختلف بسیار مهم است و نورومورفیک می‌تواند گزینه‌ای عالی باشد. تصورکنید این سیستم می‌تواند خطر تصادف احتمالی با فردی را بررسی کند که ناگهان وارد خیابان می‌شود. به صورت کلی، این سیستم محاسباتی بسیار دقیق و مطمئن خواهد بود.
نورومورفیک می‌تواند بدون مصرف انرژی زیاد، به جای واگذاری وظایف هوش مصنوعی به سیستم‌های ابری که به انرژی و خنک‌کننده زیاد نیاز دارند، همه‌ی آن‌ها را با سخت‌افزاری‌هایی مانند گوشی‌های هوشمند، تبلت‌ها، پهپادها و بازارهای پوشیدنی انجام دهد.
با به امروز شرکت‌ها فکر می‌کردند برای دستیابی به محاسبات قدرتمند باید قطعات بیشتری را در فضای کوچک تراشه جای دهند اما در آینده بیشتر روی جمع کردن هوش با به عبارت دیگر توابع بیشتر تمرکز می‌کنند. این اقدام باعث نوآوری‌های زیادی در تمام بخش‌ها از مواد گرفته تا معماری تراشه و نرم‌افزار می‌شود.

برای این‌که نورومورفیک تاثیر در خور توجه‌ای داشته باشد، باید تغییرات زیادی در دنیای فناوری اعمال شود. برای مثال، فناوری‌های حسگر به گونه‌ای تنظیم نشده که به خوبی با سیستم‌های نورومورفیک کار کند و باید دوباره طراحی شوند تا داده‌ها به گونه‌ای استخراج شوند که بتوانند با تراشه‌های نورومورفیک پردازش شوند.
به‌همین خاطر، تنها سخت‌افزارها محکوم به تغییر نیستند بلکه انسان‌ها نیز باید تغییر کنند. شاید جمله‌ی قبلی کمی عجیب باشد اما حقیقت دارد. یکی از مسائل روبه‌رو در مدل‌های برنامه‌نویسی نرم‌‎افزار پایه و بلوغ الگوریتمی است، بنابراین، به مشارکتی واقعی با دانشمندان علوم اعصاب نیاز داریم تا بتوانیم با نوع جدیدی از یادگیری ماشینی بیشتر آشنا شویم.
این محاسبات می‌تواند صنعت فناوری مشارکتی را یکپارچه‌تر کند. به نظر می‌رسد در پروسه‌ی پیشرفت این فناوری، همکاری با دانشمندان علوم اعصاب افزایش یابد، زیرا مغز به اطلاعات بیشتری دسترسی دارد.
برای نمونه می‌توان گفت: سنگوپتا از Penn State در حال کار روی بازآفرینی روشی است که سلول‎های گلیال، معروف به معروف به سلول‌های پشتیبان مغز، برهمگام‌سازی فاز نورون برای محاسبات نورومورفیک تاثیر می‌گذارند. وی اعتقاد دارد می‌تواند از طراحی مغز برای کارهای بسیاری در دنیای فناوری استفاده کرد، همچنین در ادامه نیز توضیح داد: « بررسی جنبه‌های مختلف دیگر مغز، مانند اجزای منفرد یا معماری زیربنایی، می‌تواند مسیری را ایجاد کند که برای آینده بسیار امیدوارکننده است.»
در پایان می‌توان گفت که دنیای فناوری با سرعت زیادی در حال پیشرفت است و باید از راه‌حل‌های جدیدتر برای دستیابی به نتایج مطلوب استفاده کرد.

محدثه خلیلیان