هوش مصنوعی (AI) و اندیشه انسانی هر دو بر پایه الکتریسیته عمل میکنند، اما همینجاست که تفاوتها پدید میآید. در حالیکه AI بر روی مدارهای سیلیکون و فلزی تکیه میکند، شناخت انسانی از بافت زنده پیچیده به وجود میآید. تفاوتهای اساسی در معماری بین این سیستمها، به عدم کارآیی AI کمک میکند.
مدلهای فعلی AI بر روی کامپیوترهای سنتی اجرا میشوند که اطلاعات را در اجزا جداگانه ذخیره و محاسبه میکنند و این باعث مصرف انرژی بالا میشود. در واقع، مراکز داده به تنهایی بخش قابل توجهی از مصرف جهانی برق را شامل میشوند. با این حال، مدتی است که دانشمندان سعی دارند تا دستگاهها و موادی توسعه دهند که قادر به تقلید کارایی محاسباتی مغز باشند.
اکنون، تیمی از پژوهشگران تحت رهبری مارک هرسام در دانشگاه نورثوسترن ما را به هدف دست یافتن به این موضوع نزدیکتر میکند. آنها ترانزیستور را، یک قطعه اساسی در مدارهای الکترونیکی، با توجه به انجام وظایف یک نورون طراحی دوباره کردهاند. با یکپارچه سازی حافظه با پردازش، این ترانزیستورهای سیناپسی موآر به مصرف انرژی کمتری منجر میشوند و به سیستمهای AI این امکان را میدهند که فراتر از تشخیص الگو ساده باشند.
برای دستیابی به این هدف، پژوهشگران به مواد دوبعدی با ترتیببندی اتمی منحصر به فردی متوجه شدند که ساختارهای مسحورکنندهای به نام سوپرساختارهای موآر ایجاد میکنند. این مواد قابلیت کنترل دقیق جریان الکتریکی را فراهم میکنند و به دلیل ویژگیهای کوانتومی خاص، قادر به ذخیره داده بدون نیاز به تامین مداوم برق هستند.
بر خلاف تلاشهای قبلی در ترانزیستورهای موآر، که فقط در دماهای بسیار پایین کار میکردند، این دستگاه جدید در دمای اتاق عمل میکند و سیاکسپی برابر انرژی مصرف میکند. در حالیکه سرعت آن هنوز به طور کامل آزمایش نشده است، طراحی یکپارچه آن نشان میدهد که سریعتر و کاراتر از معماری محاسباتی سنتی خواهد بود.
هدف نهایی این تحقیق، تبدیل مدلهای AI به شبیه مغز انسان است. این مدارهای شبیه به مغز قادرند از دادهها یاد بگیرند، ارتباطات برقرار کنند، الگوها را تشخیص دهند و ارتباطاتی را برقرار کنند. این توانایی که به عنوان یادگیری همدهمی شناخته میشود، در مدلهای AI سنتی با حافظه و پردازش جداگانه در حال حاضر چالش برانگیز است.
با استفاده از مدارهای جدید شبیه به مغز، مدلهای AI به طرز مؤثرتری بین سیگنال و نویز تمایز میآورند و قادر به انجام وظایف پیچیدهتری میشوند. به عنوان مثال، در خودروهای خودران، این تکنولوژی میتواند به هوش مصنوعی در ناوبری در شرایط جادههای دشوار کمک کرده و بین موانع و اشیاء غیرمرتبط تفکیک بکند.
اگرچه هنوز کاری برای توسعه روشهای تولید مقیاسپذیر برای این ترانزیستورهای نیورومورفیک باقی مانده است، اما قدرت و کارایی بیشتری برای سیستمهای AI قابل انتظار است. با پل کردن شکاف میان AI و شناخت انسانی، این تحقیق امکانات جذابی را برای آینده هوش مصنوعی به ارمغان میآورد.
هوش مصنوعی (AI) به توانایی ماشینها یا سیستمهای کامپیوتری برای انجام وظایفی اشاره دارد که به طور معمول نیازمند هوش انسانی است، مانند یادگیری، حل مسئله و تصمیمگیری.
شناخت انسانی به فرایندها و تواناییهای ذهنی اشاره دارد که به انسانها امکان میدهد تا دانش را در پیچیدگی، درک، دریافت، تفکر و ارتباط برسانند.
مدارهای سیلیکون و فلزی به مواد و اجزای استفاده شده در کامپیوترهای سنتی برای پردازش و انتقال سیگنال الکتریکی اشاره دارد.
در این متن، معماری به ساختار و سازمان یک سیستم یا دستگاه اشاره میکند.
مصرف انرژی به مقدار انرژی استفاده شده توسط یک سیستم یا دستگاه برای انجام وظایف خود میپردازد.
مراکز داده، انبارههایی هستند که سیستمها و تجهیزات کامپیوتری را، شامل سرورها و ذخیرهسازی، برای هدف ذخیره، پردازش و توزیع مقادیر زیادی از داده نگهداری میکنند.
سوپرساختارهای موآر، الگوهای مسحورکنندهای هستند که به وجود میآیند ناشی از ترتیب بندی اتمی منحصر به فرد برخی از مواد دوبعدی.
ویژگیهای کوانتومی به ویژگیها و رفتارهای مواد و انرژی در سطح اتمی و زیراتمی، طبق اصول مکانیک کوانتومی، اشاره دارد.
تشخیص الگو به قابلیت یک سیستم یا دستگاه برای شناسایی و تمایز انواع الگوها یا ویژگیها در داده اشاره دارد.
ترانزیستور قطعهای اساسی در مدارهای الکترونیکی است که مسئول کنترل جریان الکتریکی و افزایش یا تغییر سیگنالها میباشد.
در این متن، حافظه به توانایی یک سیستم یا دستگاه برای ذخیره و بازخوانی اطلاعات اشاره دارد.
پردازش، به فرایند محاسبه و انجام عملیاتی بر روی داده یا اطلاعات توسط یک سیستم یا دستگاه اشاره دارد.
یادگیری همدهمی به توانایی یک سیستم یا دستگاه برای برقراری ارتباط و ایجاد ارتباط بین مفاهیم یا دادههای مختلف اشاره دارد.
سیگنال و نویز به تفاوت بین اطلاعات معنیدار (سیگنال) و دادهها یا تداخلهای بیارتباط یا ناخواسته (نویز) اشاره دارد.
روشهای تولید مقیاسپذیر به روشها و تکنیکهایی اشاره دارد که به راحتی قابل انبساط یا تطبیق برای تولید مقادیر بیشتر یک محصول یا دستگاه میباشند.
ترانزیستورهای نیورومورفیک
The source of the article is from the blog queerfeed.com.br