وقتی مغز انسان چیز جدیدی می آموزد، سازگار می شود. اما وقتی هوش مصنوعی چیز جدیدی یاد می گیرد، تمایل دارد اطلاعاتی را که قبلاً آموخته است فراموش کند.
از طریق شبیه‌سازی داده‌های تجربی، همکاران تیم پوردو در دانشگاه سانتا کلارا و دانشگاه ایالتی پورتلند نشان دادند که فیزیک داخلی این دستگاه ساختاری پویا برای یک شبکه عصبی مصنوعی ایجاد می‌کند که قادر است الگوها و ارقام الکتروکاردیوگرام را با کارایی بیشتری در مقایسه با استاتیک تشخیص دهد. شبکه های. این شبکه عصبی از «محاسبات مخزنی» استفاده می کند که نحوه ارتباط و انتقال اطلاعات را بخش های مختلف مغز توضیح می دهد.
مایکل پارک، دکترای پوردو گفت: «ما نشان دادیم که این دستگاه بسیار قوی است. دانشجوی رشته مهندسی مواد پس از برنامه نویسی دستگاه در بیش از یک میلیون چرخه، پیکربندی مجدد همه عملکردها به طور قابل توجهی قابل تکرار است.
این تحقیق توسط دفتر علوم وزارت انرژی ایالات متحده، دفتر تحقیقات علمی نیروی هوایی و بنیاد ملی علوم پشتیبانی شد.
سخت افزار یک دستگاه کوچک مستطیل شکل است که از ماده ای به نام نیکلات پروسکایت ساخته شده است که به هیدروژن بسیار حساس است. استفاده از پالس‌های الکتریکی در ولتاژهای مختلف به دستگاه اجازه می‌دهد تا غلظت یون‌های هیدروژن را در چند نانوثانیه تغییر دهد و حالت‌هایی را ایجاد کند که محققان دریافتند می‌تواند برای عملکردهای مربوطه در مغز ترسیم شود.
به سمت ساختن مغز به شکل تراشه
آزمایش‌هایی در پوردو در آزمایشگاه FLEX و مرکز نانوتکنولوژی Birck در پارک دیسکاوری پوردو انجام شد. همکاران این تیم در آزمایشگاه ملی آرگون، دانشگاه ایلینویز، آزمایشگاه ملی بروکهاون و دانشگاه جورجیا اندازه گیری خواص دستگاه را انجام دادند.
در این مطالعه، راماناتان و تیمش سخت افزار جدیدی ساختند که می تواند در صورت تقاضا از طریق پالس های الکتریکی دوباره برنامه ریزی شود. راماناتان معتقد است که این سازگاری به دستگاه اجازه می دهد تا تمام عملکردهای لازم برای ساخت یک کامپیوتر الهام گرفته از مغز را انجام دهد.
راماناتان گفت: “اگر می خواهیم کامپیوتر یا ماشینی بسازیم که از مغز الهام گرفته شده باشد، به همین ترتیب، می خواهیم توانایی برنامه ریزی، برنامه ریزی مجدد و تغییر تراشه را به طور مداوم داشته باشیم.”
منبع داستان:
از آنجایی که شرکت‌ها از داده‌های بیشتر و بیشتری برای بهبود نحوه شناسایی تصاویر، یادگیری زبان‌ها و انجام کارهای پیچیده دیگر توسط هوش مصنوعی استفاده می‌کنند، مقاله‌ای که در مجله Science در این هفته منتشر شد، روشی را نشان می‌دهد که تراشه‌های کامپیوتری می‌توانند به طور پویا خود را برای دریافت داده‌های جدید مانند مغز سیم‌کشی کنند. کمک به هوش مصنوعی برای ادامه یادگیری در طول زمان.
شریرام راماناتان، استاد دانشکده مهندسی مواد دانشگاه پوردو که متخصص در کشف چگونگی تقلید مواد است، گفت: “مغز موجودات زنده می تواند به طور مداوم در طول عمر خود یاد بگیرد. ما اکنون یک پلت فرم مصنوعی برای یادگیری ماشین ها در طول عمر خود ایجاد کرده ایم.” مغز برای بهبود محاسبات
برخلاف مغز که به طور مداوم اتصالات جدیدی بین نورون ها ایجاد می کند تا امکان یادگیری را فراهم کند، مدارهای روی یک تراشه کامپیوتری تغییر نمی کنند. مداری که یک ماشین سال ها از آن استفاده می کند با مداری که در ابتدا برای ماشین در یک کارخانه ساخته شده بود تفاوتی ندارد.
این یک مشکل برای قابل حمل‌تر کردن هوش مصنوعی است، مانند وسایل نقلیه خودمختار یا روبات‌های موجود در فضا که باید خودشان در محیط‌های ایزوله تصمیم بگیرند. اگر می‌توان هوش مصنوعی را مستقیماً در سخت‌افزار تعبیه کرد و نه فقط روی نرم‌افزار که معمولاً هوش مصنوعی انجام می‌دهد، این ماشین‌ها می‌توانند کارآمدتر عمل کنند.
محققان در حال کار برای نشان دادن این مفاهیم بر روی تراشه های آزمایشی در مقیاس بزرگ هستند که برای ساخت یک کامپیوتر الهام گرفته از مغز استفاده می شود.
محققان دانشگاه ایالتی پنسیلوانیا همچنین در این مطالعه نشان دادند که با ارائه مشکلات جدید، یک شبکه پویا می‌تواند مدارهایی را که برای رسیدگی به این مشکلات مناسب‌تر هستند، «انتخاب و انتخاب کند».
از آنجایی که تیم توانست دستگاه را با استفاده از تکنیک های استاندارد ساخت سازگار با نیمه هادی ها بسازد و دستگاه را در دمای اتاق کار کند، راماناتان معتقد است که این تکنیک می تواند به راحتی توسط صنعت نیمه هادی مورد استفاده قرار گیرد.
به عنوان مثال، هنگامی که دستگاه هیدروژن بیشتری در نزدیکی مرکز خود دارد، می تواند به عنوان یک نورون، یک سلول عصبی واحد عمل کند. با وجود هیدروژن کمتر در آن مکان، دستگاه به عنوان سیناپس عمل می کند، اتصالی بین نورون ها، چیزی که مغز برای ذخیره حافظه در مدارهای عصبی پیچیده استفاده می کند.
مواد تهیه شده توسط دانشگاه پوردو. نوشته اصلی توسط Kayla Wiles. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
