کامپیوترها در آینده شباهت زیادی به مغز انسان خواهند داشت

مغز انسان کوچک است، حداقل انرژی را مصرف می‌کند و مهم‌تر از همه، طراحی آن به‌گونه‌ای است که از انرژی و منابعی که در اختیار دارد، به بهترین و بهینه‌‌ترین شکل ممکن استفاده می‌کند. این موجودیت شگفت‌انگیز در نهایت دارای قابلیت‌ بی‌بدیلی است که می‌تواند هر نوع ماشینی را کنترل کند. 
عملکرد مغز انسان هنوز هم در زمینه تولید دستورات، سریع‌تر از قدرتمندترین ابرکامپیوترهای جهان کار می‌کند. در سامانه‌های کامپیوتری امروزی، فرایندهای پردازشی و حافظه از یکدیگر جدا هستند و همین موضوع باعث کاهش سرعت و توان پردازش این سامانه‌ها می‌شود. اما در سامانه‌های زیستی همچون مغز انسان، حافظه و پردازش در عمل از یکدیگر جدا نیستند و همین موضوع سرعت و عملکرد در این سامانه‌های زیستی را به‌شدت افزایش می‌دهد. جالب‌تر آنکه مغز انسان در مقایسه با ابرکامپیوترها به فضا و انرژی کمتری برای اجرای دستورات خود نیاز دارد. مغز انسان تنها با 20 وات انرژی کار خود را انجام می‌دهد، اما ابرکامپیوترها به چند مگاوات انرژی نیاز دارند. این تنها مصرف کم انرژی نیست که باعث شده است مغز انسان با کامپیوترها متفاوت باشد، بلکه نوع پردازشی که مغز انسان انجام می‌دهد نیز در عمل متفاوت است. همین موضوع پژوهشگران را متقاعد ساخته است که آینده دنیای محاسبات بر مبنای فناوری‌هایی شبیه به مغز انسان خواهد بود که غالباً به نام محاسبات عصب‌گون (neuromorphic) از آن‌ها یاد می‌شود. 

در سامانه‌های کامپیوتری امروزی، فرایندهای پردازشی و حافظه از یکدیگر جدا هستند و همین موضوع باعث کاهش سرعت و توان پردازش این سامانه‌ها می‌شود.

هدف محاسبات عصب‌گون بر خلاف نامشان، مدل‌سازی ساده شیوه کارکرد سلول‌های خاکستری مغز نیست - هر چند در عمل محققان این کار را انجام می‌دهند - بلکه در عوض محاسبات عصب‌گون از مغز انسان به عنوان یک موجودیت الهام‌بخش برای طراحی موج جدیدی از سخت‌افزارها استفاده می‌کنند که از حداقل انرژی و حداکثر توان بهره‌ می‌گیرند؛ سخت‌افزارهایی که هر نوع موجودیتی از ابرکامپیوترها گرفته تا گوشی‌های هوشمند امروزی را دستخوش تغییرات اساسی خواهند کرد. 

مطلب پیشنهادی

حسگرها، وعده آرمان‌شهری یکتا داده‌اند

به سنگاپور، نخستین شهر هوشمند جهان خوش آمدید!

مانوئل لو گالو، یکی از پژوهشگران واحد تحقیقات محاسبات عصب‌گون آی‌بی‌ام در این باره به سایت زد دی نت گفته است: «در تلاش هستیم با کمک محاسبات عصب‌گون، یک سامانه ویژه طراحی کنیم؛ سامانه‌ای که شامل مدارهای آنالوگ یا دیجیتال بوده و قادر باشد معماری‌های زیست‌عصبی درون بدن ما را تقلید کند. شاید بپرسید که چرا باید به دنبال انجام چنین کاری باشیم. به سبب آنکه امید داریم به مصرف کمتر انرژی و تراکم بالاتر در فرایندهای محاسباتی پیچیده شبیه به تشخیص الگوها، دست پیدا کنیم؛ کاری که مغز ما به آسانی قادر به انجام آن است. در حال حاضر کامپیوترها برای اینکه بتوانند بهتر از مغز انسان چنین فرایند ساده‌ای را مدیریت کنند، به انرژی بسیار زیادی نیاز دارند.»
مغز برای انتقال داده‌ها از یک سلول عصبی به نام نورون به سلول عصبی دیگر، از سیگنال‌های شیمیایی استفاده می‌کند. هر سلول عصبی برای اینکه با سلول عصبی بعدی ارتباط برقرار کند، یون‌هایی را میان شکاف دو سلول عصبی آزاد می‌کند. به این فرایند سیناپس گفته می‌شود. اگر یون‌های کافی توسط سلول عصبی اول آزاد شوند و این یون‌ها بتوانند از شکاف عبور کنند و به سلول عصبی دوم برسند، یک سیگنال الکتریکی به نام پتانسیل عمل، درون سلول عصبی دوم تولید می‌شود و آن را فعال می‌کند. در این زمان، سلول عصبی دوم با سومین سلول عصبی ارتباط برقرار کرده و یکی از دو کار ارسال سیگنال الکتریکی یا آزادسازی یون‌های خود را بر مبنای انفعال شیمیایی به وجود می‌آورد. این مکانیزم در ادامه، سیگنال‌های شیمیایی را به سیگنال‌های الکتریکی تبدیل می‌کند و داده‌ها را دوباره به سمت مغز رله ‌می‌کند. سپس این داده‌ها از مغز به سمت بخش‌های دیگر بدن ارسال می‌شوند. اما به این نکته توجه کنید که سلول‌های عصبی از یک ارتباط ساده یک‌به‌یک استفاده نمی‌کنند. یک سلول عصبی می‌تواند ورودی‌ها‌ را از بسیاری از بخش‌ها دریافت کرده و پیش از آنکه با ورودی بعدی ارتباط برقرار کند، آن‌ها را با یکدیگر ادغام کند. سلول عصبی اگر در فاصله زمانی کوتاهی تعداد زیادی ورودی‌ از سلول‌های عصبی دیگر دریافت کند یا اگر یک ورودی منفرد بزرگ‌تر را دریافت کند، یک پتانسیل عمل را ارسال خواهد کرد. سلول‌های عصبی از جمله ارگان‌های بسیار سازگار به شمار می‌روند. ارتباط میان سلول‌های عصبی مختلف بر اساس سن یک فرد و آموزه‌های او به مرور زمان با یکدیگر منطبق می‌شوند.

در تلاش هستیم با کمک محاسبات عصب‌گون، یک سامانه ویژه طراحی کنیم؛ سامانه‌ای که شامل مدارهای آنالوگ یا دیجیتال بوده و قادر باشد معماری‌های زیست‌عصبی درون بدن ما را تقلید کند.

رویکردهای منحصربه‌فرد مغز در زمینه تغییرپذیری و انعطاف‌پذیری باعث شده است پژوهشگران معتقد شوند که موج بعدی مدل‌های محاسباتی با محوریت عملکرد مغز ساخته خواهند شد. در محاسبات عصب‌گون به جای اینکه از حالت‌ باینری (صفرها و یک‌ها) به عنوان ورودی و خروجی استفاده شود، ورود و خروج داده‌ها با استفاده از الگوریتم‌هایی که داده‌ها را روی سخت‌افزار ذخیره‌سازی می‌کنند، وزن می‌شوند. به عبارت ساده‌تر، اگر حاصل جمع ورودی‌ها از آستانه کمتر باشد، سلول عصبی خاموش می‌شود، در غیر این صورت سلول عصبی فعال می‌شود و در ادامه جریان الکتریکی ثابتی را ایجاد می‌کند. این رویکرد به یک تراشه‌ اجازه اسپایک می‌دهد. این تراشه‌ زمانی که در آستانه عبور از یک حالت خاص قرار بگیرد، پتانسیل عمل ویژه خود را تولید می‌کند. این رویکرد مشابه با مکانیزمی است که سلول‌های عصبی مغز استفاده می‌کنند.
ایده محاسبات عصب‌گون اولین بار در دهه 90 میلادی و بعد از آنکه پروفسور کارور مید پیشنهاد مدل جدیدی برای ریزتراشه‌ها ارائه کرد، به اوج محبوبیت رسید. او پیشنهاد کرد: «ما به جای اینکه محاسباتی داشته باشیم که میان حافظه و پردازنده تقسیم می‌شوند، می‌توانیم تمامی این محاسبات را با استفاده از مدل‌سازی ارتباطات بر مبنای سیناپس‌های انسانی درون یک تراشه در اختیار داشته باشیم.»
امروزه جدایی دو بخش حافظه و پردازنده از یکدیگر به چالش اصلی کامپیوترها تبدیل شده است؛ به دلیل اینکه ترانزیستورها دیگر مقیاس‌پذیر نیستند. گالو می‌گوید: «ما باید با استفاده از معماری جدیدی صنعت محاسبات را بهبود بخشیم.» در حال حاضر، چند رویکرد مختلف فناورانه درباره اینکه چگونه سلول‌های عصبی و سیناپس‌ها را به درون محاسبات سخت‌افزاری و نرم‌افزاری وارد کنیم، پیش روی ما قرار دارد. مدارهای سنتی، پردازنده‌های CMOS آنالوگ، حافظه تغییر فاز (Phase Change Memory) و...، از جمله این رویکردها به شمار می‌روند. 
دانشمندان آی‌بی‌ام با استفاده از مواد تغییر فاز دهنده (phase change material) موفق به طراحی سلول‌های عصبی نیزه‌ای (spiking neurones) شدند؛ سلول‌های عصبی‌ای که قادر به ذخیره‌سازی و پردازش داده‌ها هستند. زمانی‌که تکانه‌های الکتریکی (electrical impulses) به مواد تغییر فازدهنده (phase-change materials) می‌رسند، به تدریج آن‌ها را متبلور کرده و سرانجام زمانی که به آستانه تبلور می‌رسند، اجازه می‌دهند فعال شوند. معادل بیولوژیکی این رویکرد زمانی است که دست خود را درون یک محلول گرم فرو می‌برید، اگر یک سلول‌ عصبی ورودی‌های کافی را دریافت کند، اعلام می‌کند که پوست دست شما در تماس با درجه حرارت بالایی قرار دارد؛ در این حالت سلول عصبی حسی فعال می‌شود و اطلاعات را به سمت مغز ارسال می‌کند. با این داده‌ها، مغز اعلام می‌کند که باید دست خود را حرکت دهید. این دستاورد گام مهمی در شتاب‌بخشی به روند توسعه انرژی کارآمد و فناوری‌ عصب‌گون یکپارچه فراچگالی (ultra-dense) به شمار می‌رود که در کاربردهایی همچون محاسبات شناختی استفاده می‌شود. دانشمندان با الهام گرفتن از عملکردهای زیست‌شناختی مغز نزدیک به چند دهه است این فرضیه را مطرح کرده‌اند، این احتمال وجود دارد که بتوانیم قابلیت‌های محاسباتی تطبیق‌پذیری را با تقلید از طیف گسترده‌ای از سلول‌های عصبی تولید کنیم. 
آی‌بی‌ام مدت زمان نسبتاً طولانی‌ای است که فرایند تحقیق را به‌منظور دستیابی به محاسبات عصب‌گون آغاز کرده است. ثمره این تلاش‌ها در نهایت باعث تولید پردازنده منحصربه‌فردی شد که TureNorth نام دارد. یک تراشه کم‌مصرف CMOS که یک میلیون نورون قابل برنامه‌ریزی را همراه با 256 میلیون سیناپس در اختیار دارد و در هر ثانیه به ازای هر وات 46 میلیارد عملکرد سیناپسی انجام می‌دهد. در اروپا نیز تحقیقاتی مشابه با آنچه آی‌بی‌ام انجام می‌دهد، در جریان است. سامانه BrainScaleS که دانشگاه هایدلبرگ در آلمان آن را تولید کرده است، از مدارات آنالوگ یکپارچه در مقیاس ویفر استفاده می‌کند. این سامانه که بر اساس محاسبات عصب‌گون ساخته شده است، سه عامل سرعت، کم‌مصرف بودن و عملکرد بالا را هم‌زمان با یکدیگر در اختیار دارد. در سامانه BrainScales از ویفر 20 سانتی‌متری که مشتمل بر 384 تراشه و 128 هزار سیناپس است، استفاده شده است. برآوردها نشان می‌دهد که این سامانه در مقایسه با سامانه‌های زیستی از عملکرد بهتری برخوردار است. سامانه BrainScales در مجموع یک میلیارد سلول عصبی دارد، این در حالی است که مغز انسان بیش از 85 میلیارد سلول عصبی دارد. 

پروژه دیگری که اروپا در زمینه محاسبات عصب‌گون با موفقیت مسیر تکاملش را پشت سر گذاشته است، SpiNNaker نام دارد. این سامانه محاسباتی که در دانشگاه منچستر ساخته شده است، به‌منظور مدل‌سازی مغز انسان استفاده می‌شود. نام این سامانه برگرفته از کلمات معماری شبکه عصبی نیزه‌ای (spiking neural network architecture) است. شاخصه بارز هر دو سامانه این است که به برنامه‌ریزی نیازی ندارند، در نتیجه بر خلاف سامانه‌های کامپیوتری امروزی می‌توانند فعالیت‌های مختلف را یاد بگیرند. این سامانه به دانشمندان این توانایی را می‌دهد تا فوراً به مدل‌سازی فرایندهای بیولوژیکی مغز بپردازند. نسخه نیم‌میلیون هسته‌ای این سامانه در گذشته ساخته شده و به عنوان بخشی از پروژه مغز انسان استفاده شده است. دانشمندان امیدوارند نسخه یک میلیون هسته‌ای آن را در آینده‌ای نه‌چندان‌دور تولید کنند.
استیو فربر، استاد مهندسی کامپیوتر دانشگاه منچستر که در هر دو پروژه فعالیت کرده، در این خصوص گفته است: «نوآوری به‌کاررفته در SpiNNaker درباره این نیست که ما چگونه توانستیم این محاسبات را پیاده‌سازی کنیم. این سامانه تقریباً شبیه به پردازنده‌های موازی رایج است. نوآوری به‌کاررفته در SpiNNaker درباره این موضوع است که ما چگونه موفق شدیم هسته‌ها را به یکدیگر متصل کنیم و چگونه از ارتباطاتی که میان آن‌ها برقرار می‌شود، پشتیبانی کنیم. ویژگی شاخص این سامانه به قابلیت اتصال به‌شدت بالای آن بازمی‌گردد. ما از اسپایک‌ها به‌منظور برقراری اتصال در SpNNaker استفاده کردیم. اسپایک‌ها در این مغز دائماً به‌منظور برقراری ارتباطات استفاده می‌شوند. ما از مکانیزم‌های به‌شدت پویا و روانی برای انتقال بسته‌های اطلاعاتی در این سامانه استفاده می‌کنیم.»
با توجه به وعده‌ای که محاسبات موازی درباره مقرون‌به‌صرفه بودن و انرژی کارآمد داده‌اند، جای تعجبی ندارد که شرکت‌هایی همچون آی‌بی‌ام، کوالکام و همچنین آژانس تحقیقاتی و دفاعی ایالات متحده از مدت‌ها قبل برای دستیابی به ظرفیت‌های موجود در محاسبات عصب‌گون سرمایه‌گذاری‌های کلانی انجام داده‌ باشند. در حالی که مراحل آزمایشی این فناوری بیش از اندازه گران است، بازار این مدل محاسبات به‌شدت در حال رشد است. پژوهشگران Markets and Markets پیش‌بینی کرده‌اند سرمایه‌گذاری در این حوزه از رقم 6.6 میلیون دلار به رقم 273 میلیون دلار خواهد رسید. با وجود آنکه تقریباً تمامی کارشناسان و شرکت‌های بزرگ دنیای فناوری به این مدل از محاسبات علاقه‌مند هستند، واقعیت این است که فرایند تجاری‌سازی محاسبات عصب‌گون راهی طولانی پیش روی خود دارند. گالو گفته است: «من فکر نمی‌کنم این مدل از محاسبات بخواهند جای کامپیوترهایی را که ما امروزه استفاده می‌کنیم، اشغال کنند. حداقل در کوتاه‌مدت این اتفاق رخ نخواهد داد. من فکر می‌کنم این مدل از محاسبات بیشتر در نقش یک شتاب‌دهنده خواهند بود. می‌توانید یک تراشه عصب‌گون در کامپیوتر بعدی خود در اختیار داشته باشید و از این تراشه برای انجام وظایف خاصی استفاده کرده و از کامپیوترهای امروزی برای انجام وظایف عادی استفاده کنید.»

محاسبات عصب‌گون از مغز انسان به عنوان یک موجودیت الهام‌بخش برای طراحی موج جدیدی از سخت‌افزارها استفاده می‌کنند که از حداقل انرژی و حداکثر توان بهره‌ می‌گیرند 

تراشه‌های عصب‌گون در چند سال آینده به شرکت‌های فعال در حوزه‌های مالی، آب‌وهوا و شبکه‌هایی از حسگرها که با کلان داده‌ها در تعامل هستند، کمک خواهند کرد تا به شکلی سریع‌تر و البته دقیق‌تر فعالیت‌های خود را انجام دهند، اما کاربرد عمومی‌تر این فناوری حداقل به چند سال زمان نیاز دارد. سامانه‌های عصب‌گون از پنج سال پیش تاکنون، نظر مساعد بسیاری از سازمان‌ها را به سمت خود جلب کرده‌اند، هرچند آن‌ها مستقیماً ویژه یادگیری ماشینی در شبکه‌های عصبی عمیق طراحی نشده‌اند، به لحاظ کارکردی به این فناوری نزدیک هستند. 
توماس فربر استاد مهندسی کامپیوتر دانشگاه منچستر در این باره گفته است: «ما طیف گسترده‌ای از درخواست‌ها را از شرکت‌های مختلف دریافت کرده‌ایم. از ما سؤال کرده‌اند که آیا می‌توانیم از SpiNNaker برای دستیابی به چنین مدلی از محاسبات استفاده کنیم؟» امروزه مردم بسیار مشتاق هستند تا گفتار تمام‌عیاری را با گوشی هوشمند خود انجام دهند یا گوشی آن‌ها بتواند اشیا پیرامونشان را تشخیص دهد. شما می‌توانید با سیری گفت‌وگو کنید، اما گفت‌وگوی روان به شرطی انجام می‌شود که در کارولینای شمالی باشید. اگر تلفن شما قابلیت اتصال اینترنتی نداشته باشد، سیری نمی‌تواند به هیچ سامانه‌ای متصل شود. اپل در نظر دارد این وضع را تغییر دهد و آن را تبدیل به یک ویژگی کاربردی کند؛ به طوری که هر کاربری به‌منظور دستیابی به راه‌حلی که در جست‌وجوی آن است، از محاسبات عصب‌گون استفاده کند. در چنین زمانی است که محاسبات شبیه به مغز انسان کارکرد اصلی و ملموس خود را نشان خواهند داد.