سخت افزار نورومورفیک یا neuromorphic hardware چیست؟
بهترین کامپیوتر در جهان کدام است؟ قوی ترین و پیشرفته ترین کامپیوتر جهان برای گیمینگ کدام کامپیوتر است؟ کدام ابرکامپیوتری رتبه اول را در میان ۵۰۰ کامپیوتر برتر امسال کسب می کند؟ آیا کیت درون دیتاسنترهایی است که اپل یا مایکروسافت با آن کار می کنند؟ خیر، قوی ترین کامپیوتر جهان درون جمجمه شما است!
رایانش نورومورفیک نوعی رایانش با تقلید از مغز و مدارهای عصبی است. کامپیوترهای متکی بر رایانش نورومورفیک در آینده و در تراشه هایی بسیار کوچک تر، سرعت و راندمان بسیار بالاتری از ابرکامپیوترهای امروزی برای هوش مصنوعی فراهم می کنند.
سخت افزار نورومورفیک یا neuromorphic hardware چیست؟
قوی ترین کامپیوتر جهان در دستان شما!
مغزه انسان در رقابت با کامپیوتر بسیار جلو تر است. مغز کوچک و سبک است و مصرف انرژی پایین و سازش پذیری شگفت انگیزی دارد. به این دلایل، مغز انسان مدلی برای موج بعدی رایانش کامپیوتری است.
طراحی الهام گرفته شده از مغز رایانش شبه عصبی نامیده می شود. حتی پیشرفته ترین کامپیوترها قابل مقایسه با مغز انسان یا حتی مغز اغلب پستانداران نیستند. بااین حال ماده خاکستری مغز ما می تواند راهنمای خوبی برای افزایش راندمان فراساختارهای رایانشی ازطریق شبیه سازی سیناپس ها و نورون های مغزی توسط مهندسان و توسعه دهندگان باشد.
مختصری درباره ی سازوکار سیستم های عصبی
در ابتدا کمی در مورد زیست شناسی سیستم عصبی صحبت می کنیم. نورون ها، سلول های عصبی هستند که به صورت کابل های منتقل کننده ی پیام از یک بخش بدن به بخش دیگر عمل می کنند. این پیام ها از یک نورون به نورون دیگر منتقل می شوند تا به بخش صحیح بدن برسند؛ جایی که می توانند اثری مثل آگاه کردن ما از درد، حرکت دادن یک ماهیچه یا ساخت یک جمله داشته باشند.
محل انتقال یک پیام از یک نورون به نورون دیگر، فاصله ای بین پایانه های دو نورون است که سیناپس نامیده می شود. وقتی یک نورون ورودی کافی برای ایجاد یک پیام را دریافت کند، یک تکانه (ایمپالس) شیمیایی یا الکتریکی به صورت موجی به نام «پتانسیل عمل» در طول آن به جریان می افتد و با گذر از سیناپس به نورون بعدی یا سلولی دیگر مثل یک سلول عضلانی یا ترشحی منتقل می شود.
رایانش نورومورفیک و اثر آن روی آینده ی فناوری
نرم افزار رایانش نورومورفیک به دنبال این است تا این پتانسیل های عمل را درون شبکه های عصبی اسپایکی (Spiking neural networks – SNNs) بازسازی کند. SNN-ها از نورون هایی ساخته شده اند که ازطریق ایجاد پتانسیل های خودشان، به نورون های دیگر سیگنال می دهند و اطلاعات را منتقل می کنند. درست همانند فرایند یادگیری در مغز، شدت و زمان بندی پیام ها سبب تغییر آرایش اتصالات بین نورون های SNN می شود و با تغییر ورودی امکان یادگیری برای SNN فرآهم می آورد.
از دیدگاه سخت افزاری، روی آوردن به تراشه های نورومورفیک تغییری اساسی نسبت به CPU-ها و GPU-هایی است که امروزه در اغلب سخت افزارهای رایانشی مورد استفاده قرار می گیرند. چند وقتی است که معماری های قبلی، جواب گوی نیازهای امروزی نیستند و سازندگان روز به روز کار سخت تری برای قرار دادن ترانزیستورهای بیشتر روی این تراشه ها به منظور رفع محدودیت های فیزیکی، مصرف برق و تولید گرما دارند. درعین حال، ما روزبه روز در حال تولید داده های رایانشی بیشتری هستیم و نیاز ما به قدرت رایانشی، روزبه روز بیشتر می شود. بنابراین کامپیوترهای ابرقدرتمند، ابرسازش پذیر و ابرکم مصرفی که درون سرهای ما هستند، روزبه روز به عنوان یک مدل فناوری، جالب تر به نظر می رسند.
در سخت افزار نورومورفیک، برخلاف اغلب تراشه های امروزی، حافظه و رایانش جدا از هم نیستند و پردازنده ها، حافظه خودشان را دارند. این ساختار، شباهات بیشتری به مغز دارد و ضمن بالا بردن راندمان عملکردی و مصرف انرژی، پردازش را سریع تر می کند.
رایانش کامپیوتری می تواند موج جدیدی در کاربردهای هوش مصنوعی (AI) راه بیاندازد. هوش مصنوعی کنونی، غالبا بسیار محدود است و توسط یادگیری از داده های ذخیره شده و الگوریتم های در حال توسعه و اصلاح برای رسیدن به نتیجه مطلوب، توسعه یافته است. بااین حال، با استفاده از فناوری های نورومورفیک شبیه مغز، می توان امکان یادگیری وظایف جدید را برای هوش مصنوعی فرآهم آورد. از آن جایی که سیستم های نورومورفیک می توانند همانند مغز انسان کار کنند و می توانند با عدم قطعیت، سازش، استفاده زیاد و سنگین و داده های پیچیده جهان واقعی کنار بیایند، می توانند زمینه را برای عمومی ترشدن هوش مصنوعی ایجاد کنند.
ریشه های رایانش کامپیوتری به سیستم های رایانشی که در اواخر دهه ۱۹۸۰ و به منظور مدل سازی کارکرد سیستم های عصبی حیوانات توسعه یافتند، بازمی گردند. از آن زمان تا به امروز، سرعت رایانش نورومورفیک به اندازه ای زیاد شده است که بعضی از بزرگ ترین نام های فناوری، سخت افزارنورومورفیک تولید کرده اند؛ به عنوان مثال، تراشه TrueNorth شرکت IBM، تراشه Loihiا۱۲۸ هسته ای اینتل و سیستم نورومورفیک Pohoiki Beach.
البته درحال حاضر اکثر کاربردهای سیستم های نورومورفیک محدود به آزمایشگاه های تحقیقاتی است. برای مثال، سخت افزار نورومورفیک اینتل در توسعه ی یک نمونه آزمایشی از یک بازوی روباتیک نصب شونده روی صندلی چرخ دار برای افراد دارای آسیب های نخاعی و پوست مصنوعی برای ایجاد حس لامسه ی مصنوعی در ربات ها مورد استفاده قرار می گیرد. بااین حال بعید است که کاربردهای رایانش نورومورفیک در سطح آزمایشگاهی باقی بماند و به گفته ی کومار، تا ۵ سال دیگر اولین سیستم های تجاری متکی بر رایانش کامپیوتری وارد بازار می شوند.
مسئله کنونی در رایانش، قرار دادن قطعات بیشتر روی یک تراشه کوچک تر است؛ ولی در آینده مسئله اصلی رایانش، گنجاندن هوش بیشتر درون تراشه ها خواهد بود
کاربردهای رایانش نورومورفیک
تصور می شود اولین سیستم های نورومورفیک را در ربات ها و خودروهای خودران ببینیم که رایانش احتمالاتی در آن ها کاربرد ویژه ای دارد و برای مثال می تواند خطر ورود شخصی به جاده را محاسبه کند و رفتار خودرو را بر آن اساس، تغییر دهد.
رایانش نورومورفیک قابلیت این را دارد که علاوه بر گسترش کارهایی که هوش مصنوعی می تواند انجام دهد، طیف سخت افزارهای دارای قابلیت هوش مصنوعی را گسترش دهد. به عنوان مثال، به جای اینکه کارهای هوش مصنوعی به سیستم های ابری سپرده شوند که مصرف انرژی بسیار بالایی دارند و باید به طور کارآمدی خنک شوند، راندمان بالای سیستم های رایانش نورومورفیک و مصرف انرژی پایین آن ها به این معنی است که می توان کارهای هوش مصنوعی را در سخت افزارهایی مثل گوشی هوشمند، تبلت ، پهپاد و پوشیدنی هایی مثل ساعت انجام داد.
آینده ی رایانش نورومورفیک
برای اینکه رایانش نورومورفیک اثر قابل توجهی داشته باشد، باید تغییراتی در مقیاس گسترده تری از صنعت فناوری ایجاد شود. برای مثال، فناوری های حسگر هنوز برای اینکه به خوبی با سیستم های نورومورفیک کار کنند، آماده نشده اند و باید مجددا و به شیوه ای طراحی شوند تا بتوانند داده ها را به صورت قابل پردازش توسط تراشه های نورومورفیک، استخراج کنند.
تنها سخت افزارها نیستند که باید تغییر کنند؛ بلکه مردم نیز باید خودشان را تغییر دهند. به گفته مایک دیویس (Mike Davies)، مدیر آزمایشگاه رایانش نورومورفیک اینتل، درحالی که رایانش نورومورفیک از نظر سخت افزاری به بلوغ نسبی رسیده است، یکی از چالش های پیش روی آن، مدل های برنامه نویسی نرم افزاری پایه ای و بلوغ الگوریتمی است.
رایانش نورومورفیک می تواند سبب ایجاد یک صنعت تکنولوژی میان رشته ای بسیار پیچیده تر شود که رایانش در آن به مسئله طراحی صفر تا صد یک سیستم تبدیل شود. همکاری بهتر با عصب شناسان محتمل به نظر می رسد؛ زیرا مغز چیزهای بسیار بیشتری برای گفتن به ما در رابطه با رایانش بهتر، به ویژه در رابطه با الگوریتم ها دارد.