بروزرسانی: 25 خرداد 1404
رشد مغزهای پلیمری الهام گرفته شده از زیست برای شبکه های عصبی مصنوعی -- ScienceDaily
در حالی که مدل های شبکه عصبی در کاربردهایی مانند تولید تصویر و تشخیص سرطان به موفقیت چشمگیری دست یافته اند، اما هنوز از توانایی های پردازش عمومی مغز انسان بسیار عقب هستند. تا حدی به این دلیل است که آنها در نرم افزار با استفاده از سخت افزار رایانه سنتی که برای میلیون ها پارامتر و اتصالی که این مدل ها معمولاً نیاز دارند بهینه نشده اند، پیاده سازی می شوند.
مرطوب افزار نورومورفیک، مبتنی بر دستگاه های حافظه دار، می تواند این مشکل را برطرف کند. دستگاه memristive دستگاهی است که مقاومت آن بر اساس تاریخچه ولتاژ و جریان اعمال شده تنظیم می شود. در این رویکرد، الکتروپلیمریزاسیون برای اتصال الکترودهای غوطه ور در محلول پیش ساز با استفاده از سیم های ساخته شده از پلیمر رسانا استفاده می شود. سپس مقاومت هر سیم با استفاده از پالس های ولتاژ کوچک تنظیم می شود و در نتیجه یک دستگاه ممریستیو ایجاد می شود.
شبکه ساخته شده برای نشان دادن یادگیری بدون نظارت هبی استفاده شد (یعنی زمانی که سیناپس هایی که اغلب با هم شلیک می شوند ارتباط مشترک خود را در طول زمان تقویت می کنند). علاوه بر این، محققان توانستند مقادیر رسانایی سیم ها را دقیقاً کنترل کنند تا شبکه بتواند وظایف خود را انجام دهد. یادگیری مبتنی بر اسپایک، رویکرد دیگری برای شبکه های عصبی که به طور دقیق تری از فرآیندهای شبکه های عصبی بیولوژیکی تقلید می کند، با کنترل قطر و رسانایی سیم ها نیز نشان داده شد.
هنگامی که سیم تشکیل شد، ویژگی های سیم، به ویژه رسانایی، با استفاده از پالس های ولتاژ کوچک اعمال شده به یک الکترود کنترل می شد که خواص الکتریکی فیلم اطراف سیم ها را تغییر می دهد.
Megumi Akai-Kasaya نویسنده ارشد این مقاله می گوید: «پتانسیل ایجاد شبکه های سریع و کم مصرف با استفاده از ساختارهای یک بعدی یا دو بعدی نشان داده شده است. "هدف ما گسترش این رویکرد به ساخت یک شبکه سه بعدی بود."
محققان دانشگاه اوزاکا و دانشگاه هوکایدو روش جدیدی برای اتصال نورون ها در مرطوب افزار نورومورفیک ایجاد کرده اند. مرطوب افزار شامل سیم های پلیمری رسانا است که در پیکربندی سه بعدی رشد کرده و با اعمال ولتاژ موج مربعی به الکترودهای غوطه ور در محلول پیش رو انجام می شود. ولتاژ می تواند رسانایی سیم را تغییر دهد و به شبکه اجازه آموزش داده شود. این شبکه ساخته شده قادر به انجام یادگیری هبی بدون نظارت و یادگیری مبتنی بر سنبله است.
در مرحله بعد، با ساخت تراشه ای با تعداد بیشتری الکترود و استفاده از کانال های میکروسیال برای تامین محلول پیش ساز برای هر الکترود، محققان امیدوارند که شبکه بزرگتر و قدرتمندتری بسازند. به طور کلی، رویکرد تعیین شده در این مطالعه گام بزرگی در جهت تحقق مرطوب افزار نورومورفیک و بستن شکاف بین توانایی های شناختی انسان و رایانه است.
منبع