ساخت شبکه عصبی مصنوعی با الهام از مغز انسان

به گزارش گروه علم و فناوری آنا به نقل از sciencedaily، شبکه‌های عصبی مصنوعی توانایی یادگیری دارند و قادر به انجام وظایفی هستند که سایر سیستم‌های کامپیوتری قادر به انجام آنها نیستند. شناخت الگو و یادگیری و طبقه‌بندی مستقیم از جمله این کارهاست. اجرای کاربردی سیستم‌های عصبی مصنوعی با نبود سیناپس‌های سخت افزاری کافی مختل می‌شود.

دانشمندان دانشگاه «ساوت همپتن» در آزمایش‌های خود یک شبکه عصبی مصنوعی را طراحی کرده‌اند که از سیناپس‌های «مقاومت حافظه» حامی قوانین پیچیده یادگیری به منظور یادگیری معکوس داده‌های ورودی استفاده می‌کند.

دستگاه مقاومت حافظه اجزای الکتریکی هستند که جریان جاری الکتریکی را در مدار محدود و تنظیم می‌کند. از سوی دیگر این دستگاه، مقدار شارژی را که داخل آن جاری است، به خاطر می‌سپارد و حتی با تمام شدن شارژ دستگاه نیز، داده‌ها را ثبت می‌کند.

محققان اگر می‌خواستند دستگاهی ابداع کنند که بتواند عملکرد مغز را تقلید کند، باید از صدها میلیارد یا حتی چند تریلیون سیناپس مصنوعی استفاده می‌‌کردند که بسیاری از آنها می‌باید توانایی انجام قوانین یادگیری را با شدت‌های مختلف پیچیدگی داشته باشند.

اما در حال حاضر از اجزای الکترونیکی برای پیوستن به یکدیگر و تولید سیناپس استفاده شده است. این مقاومت‌های حافظه مسیر احتمالی را با حمایت از ویژگی‌های اصلی سیناپس‌های یادگیری (ذخیره حافظه، یادگیری مستقیم، تکمیل محاسباتی قانون قدرتمند یادگیری، ساختاری دو ترمیناله) در حجم کم و هزینه پایین ایجاد می‌کنند. با واقعی شدن مغزهای مصنوعی، این سیناپس‌ها با موفقیت عمل می‌کنند.

آنتن فلز اکسید مقاومت حافظه که مانند سیناپس‌های مغز عمل می‌کند، توانایی یادگیری و بازآموزی الگوهای ورودی را به شکلی فاقد نظارت و در شبکه‌ای با احتمال بُرد کامل دارد.

این سیستم برای توانمندسازی پردازشگرهای کم‌قدرت به کار رفته در آن (مورد نیاز برای اینترنت اشیاء) بسیار مفید و کاربردی است که توانایی پردازش داده‌های بزرگ و واقعی را بدون دانش قبلی از این اطلاعات دارد.

این کار محققان با برقراری چنین تغییر الگویی فنی ثابت می‌کند که از مقاومت‌های حافظه نانویی برای تنظیم مدارهای عصبی سیلیکونی برای پردازش داده‌های واقعی استفاده می‌شود که چالش اصلی جامعه مدرن به شمار می‌رود.

محققان نشان داده‌اند که این پلات‌فرم‌های سخت‌افزاری قادرند به طور مستقل و بدون دخالت انسان با محیط‌زیست سازگار شوند و در پردازش داده‌های شلوغ واقعی بسیار منعطف عمل می‌کنند.

این نوع جدید سخت‌افزاری می‌تواند دامنه متغیری از کاربردها را در فناوری‌های فراگیر مشاهدات پیدا ‌کند تا کنترل واقعی را در محیط‌های سخت و دور از دسترس به عمل آورد. این سخت‌افزار قابلیت بسیار بالایی برای توانمندسازی اینترنت اشیاء دارد.
مترجم: ندا اظهری