امیدوارکننده‌ترین سیناپس مصنوعی تا به امروز
برای کسانی که در زمینه هوش مصنوعی به صورت حرفه‌ای کار می‌کنند، استفاده از یک کامپیوتر برای شبیه‌سازی فعالیت مغز کار بسیار بزرگی است، اما هرچه این سخت افزار طراحی شده بیشتر به سخت افزار مغز شباهت داشته باشد، اداره آن راحت‌تر خواهد بود.
این زمینه نوظهور، محاسبات نورومورفیک ( شکل عصبی) است. هم اکنون مهندسان MIT بر مانع مهمی (طراحی تراشه‌ای با سیناپس مصنوعی) غلبه کرده‌اند.
درحال حاضر، مغز انسان از هر کامپیوتری پیشرفته‌تر است. (شامل هشتاد بیلیون نورون و بیش از صد تریلیون سیناپس است که آن‌ها را به هم متصل کرده و عبور سیگنال‌ها را کنترل می‌کند.)
تراشه‌های کامپیوتری امروزی با ارسال سیگنال به زبان باینری کار می‌کنند. هر تکه از اطلاعات بصورت صفر و یک و یا سیگنال خاموش روشن، کدگشایی می‌شود.
مقالات مرتبط: هدف از تحقیق جدید تراشه بافت ارزیابی اثربخشی داروهای جدید صرع است
حافظه؛ از توالی سیناپسی تا خاطره‌سازی
برای فهم اینکه مغز چگونه این کار را انجام می‌دهد، در نظر بگیرید؛ در ۲۰۱۳، یکی از قدرتمندترین ابریارانه‌های جهان یک فعالیت شبیه‌ساز مغز را اجرا کرد، نتیجه آن منحصربفرد بود.
کامپیوتر K، Riken از ۸۲۹۴۴ پردازنده و یک مادربورد حافظه اصلی (معادل حدود ۲۵۰۰۰۰ کامپیوتر رومیزی) در آن زمان تشکیل شده بود.
۴۰ دقیقه زمان برای شبیه سازی یک ثانیه از فعالیت ۱.۷۳ میلیارد نورون مربوط به ۱۰.۴ تریلیون سیناپس به کار رفته است. ممکن است زیاد به نظر بیاید اما فقط معادل یک درصد از مغز انسان است.
اما اگر یک تراشه از اتصالات مشابه سیناپس استفاده کند، سیگنال‌های مورد استفاده در یک رایانه می‌توانند متفاوت باشند و یادگیری مشابه سیناپس را فراهم می‌کند. سیناپس‌ها، سیگنال‌های مغزی را منتقل می‌کنند و نورون‌ها بسته به تعداد و نوع یون‌هایی که در سیناپس جریان دارند، فعال می‌شوند. این به مغز کمک می‌کند الگوها را تشخیص دهد، حقایق را به یاد بیاورد و وظایف را انجام دهد.
بازسازی آن امروزه سخت است. (اما محققان در MIT تراشه‌ای با سیناپس مصنوعی ساخته‌اند، که از سیلیکون ژرمانیم ساخته شده‌است که اجازه کنترل دقیق نیروی الکتریکی در حال جریان کنترل شود. مانند: جریان یونی بین نورون‌ها.
در یک شبیه‌سازی، از آن برای تشخیص نمونه‌های دست خط با دقت ۹۵ درصد استفاده شد.
طرح‌های قبلی برای تراشه‌های نورومورفیک، از دو هدایتگر که با لایه‌ای بی‌شکل از هم جدا شده‌اند، واسطه راه گزین، برای عملکردی مشابه سیناپس استفاده می‌کنند. وقتی راه گزین روشن شود، یون‌ها در واسطه جریان می‌یابند تا فیلامنت‌های هدایتگر بسازند و وزن سیناپس یا قدرت و ضعف بین دو نورون را شبیه سازی کنند.
مشکل این رویکرد در صورت عدم معین کردن ساختار برای حرکت در طول آن است، سیگنال دارای تعداد نامحدودی گذر است که می‌تواند عملکرد تراشه را متناقض و غیرقابل پیش بینی کند.
پژوهشگر ارشد، Jeehwan Kim می‌گوید:
هنگامی که برخی ولتاژها را برای نشان دادن برخی داده‌ها با نورون مصنوعی، اعمال کنیم، باید بتوانید آن را پاک کنید تا آن را دوباره به همان شیوه ارسال کنید. اما در یک جامد بی‌شکل، در دوباره نویسی، یون‌ها به مسیرهای مختلفی وارد می‌شوند، که کنترل آن‌ها دشوار است. که عدم انطباق سیناپس مصنوعی بزرگترین مشکل آن است.
با در نظر داشتن آن، این تیم، شبکه‌های سیلیکون ژرمانیمی با کانال‌های تک بعدی که یون‌ها از طریق آن جاری می‌شوند، ساختند. این کار تضمین می‌کند دقیقا همان مسیر در هر زمان استفاده شود.
پس این شبکه‌ها برای ساخت یک تراشه نورومورفیک استفاده می‌شود، وقتی ولتاژ اعمال شود، سیناپس‌های روی تراشه جریان مشابهی با تغییر حدود ۴درصدی را نشان می‌دهند.
یک سیناپس تکی با ولتاژی ۷۰۰ برابر آزمایش می‌شود، که در حال حاضر فقط یک درصد آن تغییر می‌کند. (این متحدالشکل‌ترین دستگاه ممکن است.)
این تیم تراشه را روی یک کار واقعی با شبیه‌سازی ویژگی‌ها و استفاده از آن‌ها با پایگاه داده MNIST از نمونه‌های دست خط، آزمایش کرد.
شبکه عصبی مصنوعی شبیه سازی شده، که شامل سه ورقه عصبی با دو لایه سیناپس مصنوعی جدا کننده آن‌ها است، قادر به تشخیص ده‌ها هزار عدد دست نویس با دقت ۹۵ درصد نسبت به ۹۷درصد دقت نرم‌افزار موجود است.
گام بعدی ساخت تراشه‌ای است که قادر به تشخیص دست خط، با هدف نهایی ساخت دستگاه ترابر شبکه عصبی می‌باشد.
به گفته Kim:
درنهایت ما خواهان ساخت تراشه‌ای به اندازه یک ناخن برای جایگزینی یک سوپر کامپیوتر بزرگ هستیم. این تحقیق گامی برای تولید سخت‌افزار هوش مصنوعی است.
