به گزارش نیوزتل، محققان هلندی در مطالعه اخیرشان برای نخستین بار نشان داده اند که توسعه یک سیستم محاسباتی مانند مغز در کوچک ترین مقیاس اتم امکانپذیر است.
به گزارش نیوزتل به نقل از ایسنا و به نقل از آی او، در مطالعه ای که به تازگی در دانشگاه توئنته(UT) در هلند انجام شد، محققان رویای توسعه کامپیوتر های جدید شبیه مغز را یک قدم به حقیقت نزدیک تر کردند. یک گروه بین المللی از محققان به سرپرستی پروفسور “کریستین نیجویس”(Christian Nijhuis) نوع جدیدی از سوئیچ مولکولی را توسعه داده اند که می تواند از رفتارهایی که قبلا داشته است، بیاموزد. به قول محققان این مولکول ها به همان روشی که مغز ما این کار را انجام می دهد درحال فراگیری این مورد هستند.
پروفسور “کریستین نیجویس” اظهار داشت: کامپیوتر ها، مراکز داده و سایر وسایل الکترونیکی انرژی زیادی مصرف می کنند. ما حالا درحال ساخت مزارع بادی بزرگ هستیم تا بتوانیم این تقاضای انرژی را برآورده نماییم. اما ما همینطور می توانیم توجه خویش را به کارآمدتر کردن وسایل الکترونیکی خود معطوف نماییم. مغز ما جزو کارآمدترین کامپیوتر هایی است که می شناسیم. مغز ۱۰ هزار برابر کمتر از مقرون به صرفه ترین کامپیوتر ها انرژی مصرف می کند. این به این علت است که مغز ما داده ها را به روش های کاملا متفاوتی پردازش می کند. در حالیکه کامپیوتر ها جریان های باینری اطلاعات را با صفر و یک پردازش می کنند، مغز ما به صورت مشابه با پالس های وابسته به زمان کار می کند. مغز ما اطلاعات میلیونها سلول عصبی را که از تمام حواس ما می آیند، بدون هیچ مشکلی پردازش می کند. هنگام انجام این کار، برخلاف الکترونیک سنتی، تنها از سلول های مغز و سیناپس هایی استفاده می نماید که پالس ها از آن عبور می کنند. از آنجاییکه انرژی فقط در یک پالس مصرف می شود، مغز ما می تواند خیلی از داده ها را در یک زمان بسیار کارآمدتر پردازش کند.
سخت افزار برای هوش مصنوعی
مولکول هایی که نیجویس و تیمش مهندسی کرده اند، می توانند تمام عملیات گیت منطقی بولی(Boolean logic gate) مورد نیاز برای یادگیری عمیق را انجام دهند. در الکترونیک دیجیتال، دروازه منطقی یا گِیت منطقی(Logic gate)، روی یک یا دو ورودیِ منطقی، عملیات منطقی انجام می دهد و یک خروجی منطقی تولید می کند. اساس عملکرد آن بر منطق بولی استوار است که بر تمام مدارهای دیجیتال حاکم است. گیت های منطقی به طور عمده از ادوات الکترونیکی مانند ترانزیستورها تشکیل می شوند ولی امکان دارد از قطعات الکترومغناطیسی مانند رله ها، قطعات نوری یا حتی مکانیکی ساخته شوند.
یادگیری عمیق شکلی از یادگیری ماشینی مبتنی بر شبکه های عصبی مصنوعی است و به صورت گسترده نه تنها در مورد تشخیص خودکار تصاویر و گفتار، بلکه در جستجوی داروهای جدید و اخیراً در خلق هنر هم استفاده می شود. نیجویس تصریح کرد که انجام همه آنها برای کامپیوتر بسیار دشوارتر از مغز ما است. محققان در زمینه نرم افزارهای هوش مصنوعی پیشرفت زیادی کرده اند، اما این مولکول ها حالا سخت افزار هوش مصنوعی را هم به هم نزدیک تر می کنند.
نورون های مصنوعی
برای شبیه سازی رفتار دینامیکی سیناپس ها در سطح مولکولی، محققان انتقال سریع الکترون را با جفت شدن آهسته پروتون که توسط انتشار محدود می شود ترکیب کردند. این عملیات شبیه پالس های سریع و جذب آهسته انتقال دهنده های عصبی از نورون های مغز ما است. مولکول ها می توانند قدرت و مدت این پالس ها را تغییر دهند. به این ترتیب، آنها نوعی شرطی شدن کلاسیک را نشان می دهند. مولکول ها رفتار خویش را با محرک هایی که قبلا دریافت کرده اند تطبیق می دهند. در آینده این نوع مولکول ها امکان دارد به محرک های دیگری مانند نور هم پاسخ دهند.
این پیشرفت، فرصت هایی را برای توسعه طیف جدیدی از سیستم های قابل انطباق و پیکربندی مجدد باز می کند. اینها به نوبه خود می توانند به توسعه سیستم های تطبیقی ​​چند منظوره جدید منجر شوند که شبکه های عصبی مصنوعی را به صورت قابل توجهی ساده می کنند.
نیجویس اضافه کرد: با انجام این کار، ما به صورت قابل ملاحظه ای مصرف انرژی الکترونیک خویش را کاهش خواهیم داد. مولکول های چند منظوره که به نور هم حساس هستند یا می توانند مولکول های دیگر را شناسایی کنند، می توانند به صورت بالقوه به توسعه انواع جدیدی از شبکه های عصبی یا حسگرها منجر شوند.
یافته های این مطالعه در مجله “Nature Materials” منتشر گردید.

منبع: newstel.ir