سخت‌ افزار نورومورفیک یا neuromorphic hardware چیست؟ آموزش برنامه نویسی فارسی

درعین حال، ما روزبه روز در حال تولید داده‌های رایانشی بیش‌تری هستیم و نیاز ما به قدرت رایانشی، روزبه روز بیش‌تر می‌شود. بنابراین کامپیوترهای ابرقدرتمند، ابرسازش پذیر و ابرکم مصرفی که درون سرهای ما هستند، روزبه روز به عنوان یک مدل فناوری، جالب تر به نظر می‌رسند. در سخت‌افزار نورومورفیک، برخلاف اغلب تراشه‌های امروزی، حافظه و رایانش جدا از هم نیستند و پردازنده‌ها، حافظه خودشان را دارند. این ساختار، شباهات بیش‌تری به مغز دارد و ضمن بالا بردن راندمان عملکردی و مصرف انرژی، پردازش را سریع‌تر می‌کند. رایانش کامپیوتری می‌تواند موج جدیدی در کاربردهای هوش مصنوعی (AI) راه بیاندازد. هوش مصنوعی کنونی، غالبا بسیار محدود است و توسط یادگیری از داده‌های ذخیره شده و الگوریتم‌های در حال توسعه و اصلاح برای رسیدن به نتیجه مطلوب، توسعه یافته است.

بااین حال بعید است که کاربردهای رایانش نورومورفیک در سطح آزمایشگاهی باقی بماند و به گفته‌ی کومار، تا ۵ سال دیگر اولین سیستم‌های تجاری متکی بر رایانش کامپیوتری وارد بازار می‌شوند. مسئله کنونی در رایانش، قرار دادن قطعات بیش‌تر روی یک تراشه کوچک‌تر است؛ ولی در آینده مسئله اصلی رایانش، گنجاندن هوش بیش‌تر درون تراشه‌ها خواهد بود. حتی پیشرفته ترین کامپیوترها قابل مقایسه با مغز انسان یا حتی مغز اغلب پستانداران نیستند. با این حال ماده خاکستری مغز ما می‌تواند راهنمای خوبی برای افزایش راندمان فراساختارهای رایانشی از طریق شبیه سازی سیناپس‌ها و نورون‌های مغزی توسط مهندسان و توسعه دهندگان است. برای اینکه رایانش نورومورفیک اثر قابل توجهی بگذارد، باید تغییراتی در مقیاس گسترده‌تری از صنعت فناوری ایجاد شود. برای مثال، فناوری‌های حسگر هنوز برای اینکه به خوبی با سیستم‌های نورومورفیک کار کنند، آماده نشده‌اند و باید مجددا و به شیوه‌ای طراحی شوند تا بتوانند داده‌ها را به صورت قابل پردازش توسط تراشه‌های نورومورفیک، استخراج کنند.

سال‌های سال است که نویسندگان این مجموعه با ارائه‌ی اندوخته‌ها و تجربیات خود در حوزه‌های برنامه‌نویسی، طراحی وب و هوش مصنوعی که دانش آموخته و فعال این حوزه هستند در کنار شما هستند.

با این حال، با استفاده از فناوری‌های نورومورفیک شبیه مغز، می‌توان امکان یادگیری وظایف جدید را برای هوش مصنوعی فرآهم آورد. از آن‌جایی که سیستم‌های نورومورفیک می‌توانند همانند مغز انسان کار کنند و می‌توانند با عدم قطعیت، سازش، استفاده زیاد و سنگین و داده‌های پیچیده جهان واقعی کنار بیایند، می‌توانند زمینه را برای عمومی ترشدن هوش مصنوعی ایجاد کنند. ریشه‌های رایانش کامپیوتری به سیستم‌های رایانشی که در اواخر دهه ۱۹۸۰ و به منظور مدل سازی کارکرد سیستم‌های عصبی حیوانات توسعه یافتند، باز می‌گردند. از آن زمان تا به امروز، سرعت رایانش نورومورفیک به اندازه ای زیاد شده است که بعضی از بزرگ‌ترین نام‌های فناوری، سخت‌افزارنورومورفیک تولید کرده‌اند؛ به عنوان مثال، تراشه TrueNorth شرکت IBM، تراشه Loihiا۱۲۸ هسته‌ای اینتل و سیستم نورومورفیک Pohoiki Beach. البته در حال حاضر اکثر کاربردهای سیستم‌های نورومورفیک محدود به آزمایشگاه‌های تحقیقاتی است. برای مثال، سخت‌افزار نورومورفیک اینتل در توسعه‌ی یک نمونه آزمایشی از یک بازوی روباتیک نصب شونده روی صندلی چرخ دار برای افراد دارای آسیب‌های نخاعی و پوست مصنوعی برای ایجاد حس لامسه‌ی مصنوعی در ربات‌ها مورد استفاده قرار می‌گیرد.

کامپیوترهای متکی بر رایانش نورومورفیک در آینده و در تراشه‌هایی بسیار کوچک‌تر، سرعت و راندمان بسیار بالاتری از ابرکامپیوترهای امروزی برای هوش مصنوعی فراهم می‌کنند. نورون‌ها، سلول‌های عصبی هستند که به صورت کابل‌های منتقل کننده‌ی پیام از یک بخش بدن به بخش دیگر عمل می‌کنند. این پیام‌ها از یک نورون به نورون دیگر منتقل می‌شوند تا به بخش صحیح بدن برسند؛ جایی که می‌توانند اثری مثل آگاه کردن ما از درد، حرکت دادن یک ماهیچه یا ساخت یک جمله ایجاد کنند. محل انتقال یک پیام از یک نورون به نورون دیگر، فاصله ای بین پایانه‌های دو نورون است که سیناپس نامیده می‌شود. 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 می‌افتد و با گذر از سیناپس به نورون بعدی یا سلولی دیگر مثل یک سلول عضلانی یا ترشحی منتقل می‌شود. وبسایت آموزشی camelCase، یک وبسایت آموزش برنامه نویسی به زبان فارسی است که به انتشار مقاله‌ی آموزشی، کتاب مرجع، آموزش ویدیویی، دوره‌های حضوری و وبینار آنلاین، سورس کد و حل تمرین می‌پردازد.

نرم‌افزار رایانش نورومورفیک به دنبال این است تا این پتانسیل‌های عمل را درون شبکه‌های عصبی اسپایکی (Spiking neural networks – SNNs) بازسازی کند. SNN-ها از نورون‌هایی ساخته شده‌اند که ازطریق ایجاد پتانسیل‌های خودشان، به نورون‌های دیگر سیگنال می‌دهند و اطلاعات را منتقل می‌کنند. درست همانند فرایند یادگیری در مغز، شدت و زمان بندی پیام‌ها سبب تغییر آرایش اتصالات بین نورون‌های SNN می‌شود و با تغییر ورودی امکان یادگیری برای SNN فرآهم می‌آورد. از دیدگاه سخت‌افزاری، روی آوردن به تراشه‌های نورومورفیک تغییری اساسی نسبت به CPUها و GPUهایی است که امروزه در اغلب سخت‌افزارهای رایانشی مورد استفاده قرار می‌گیرند. چند وقتی است که معماری‌های قبلی، جواب گوی نیازهای امروزی نیستند و سازندگان روز به روز کار سخت تری برای قرار دادن ترانزیستورهای بیش‌تر روی این تراشه‌ها به منظور رفع محدودیت‌های فیزیکی، مصرف برق و تولید گرما دارند.

تنها سخت‌افزارها 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 سخت‌افزاری به بلوغ نسبی رسیده است، یکی از چالش‌های پیش روی آن، مدل‌های برنامه نویسی نرم‌افزاری پایه‌ای و بلوغ الگوریتمی است. رایانش نورومورفیک می‌تواند سبب ایجاد یک صنعت تکنولوژی میان رشته‌ای بسیار پیچیده‌تر شود که رایانش در آن به مسئله طراحی صفر تا صد یک سیستم تبدیل شود. همکاری بهتر با عصب شناسان محتمل به نظر می‌رسد؛ زیرا مغز چیزهای بسیار بیش‌تری برای گفتن به ما در رابطه با رایانش بهتر، به ویژه در رابطه با الگوریتم‌ها دارد. تصور می‌شود اولین سیستم‌های نورومورفیک را در ربات‌ها و خودروهای خودران ببینیم که رایانش احتمالاتی در آن‌ها کاربرد ویژه‌ای دارد و برای مثال می‌تواند 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 می‌تواند انجام دهد، طیف سخت‌افزارهای دارای قابلیت هوش مصنوعی را گسترش دهد.