دستیابی به «مغز»، قدم بعدی رایانه‌ها!

تراشه‌های شبیه به مغز می‌توانند مرز بعدی برای پیشرفت محاسبات باشند، چرا که مهندسان به «تراشه‌های نورومورفیک» روی آورده‌اند تا هوش سریع، کارآمد و در محل را نه با مقیاس‌بندی هوش مصنوعی، بلکه با طراحی مجدد نحوه تفکر ماشین‌ها به لبه دانش بیاورند.

محاسبات نورومورفیک یا سخت‌افزاری که بر اساس نورون‌ها و اسپایک‌های مغز مدل‌سازی شده است، به سرعت از آزمایشگاه‌های تحقیقاتی به مهندسی دنیای واقعی در حال حرکت است. در این دوران محاسبات پیشرفته در لبه دانش، شرکت‌ها و محققان در حال ساخت تراشه‌های «شبیه به مغز» یا «شبه‌مغز» هستند که داده‌ها را فقط زمانی که رویدادها رخ می‌دهند، پردازش می‌کنند. نتیجه اینکه بهره‌وری انرژی به طور چشمگیری بالاتر می‌رود و تأخیر بسیار کمتری نسبت به پردازنده‌های گرافیکی و پردازنده‌های مرکزی سنتی حاصل می‌شود.

محاسبات نورومورفیک یک رویکرد محاسباتی است که از ساختار و عملکرد مغز انسان الهام گرفته شده است. این روش از نورون‌های مصنوعی برای انجام محاسبات استفاده می‌کند و سیستم‌های عصبی را برای وظایفی مانند ادراک، کنترل حرکتی و ادغام چندحسی تقلید می‌کند.

این سیستم‌ها با شبیه‌سازی پردازش توزیع‌شده مغز در عناصر محاسباتی کوچک، به استحکام، سازگاری و یادگیری اولویت می‌دهند. این حوزه میان‌رشته‌ای، زیست‌شناسی، فیزیک، ریاضیات، علوم رایانه و مهندسی الکترونیک را برای توسعه سیستم‌هایی که مورفولوژی و استراتژی‌های محاسباتی مغز را شبیه‌سازی می‌کنند، ادغام می‌کند.

سیستم‌های نورومورفیک با هدف افزایش بهره‌وری انرژی و قدرت محاسباتی برای برنامه‌هایی از جمله هوش مصنوعی، تشخیص الگو و پردازش حسی طراحی شده‌اند.

شبکه‌های عصبی اسپایک(SNN) اساساً با هوش مصنوعی معمولی متفاوت هستند. آنها با الهام از رفتار مبتنی بر مغز، به جای فعال‌سازی‌های عددی ثابت از اسپایک‌های ناهمزمان استفاده می‌کنند.

همانطور که یک بررسی اخیر توضیح می‌دهد، شبکه‌های عصبی عمیق، ابزارهای با دقت بالا و کاربری آسان ارائه می‌دهند، اما از نظر محاسباتی فشرده هستند و انرژی قابل توجهی مصرف می‌کنند. SNNها از معماری‌های الهام گرفته از زیست و مبتنی بر رویداد استفاده می‌کنند که می‌توانند به طور قابل توجهی از نظر انرژی کارآمدتر باشند، اما به ابزارهای آموزشی کمتر بالغ متکی هستند.

این پراکندگی شبیه به مغز، صرفه‌جویی زیادی در مصرف انرژی ایجاد می‌کند.

شرکت اینتل گزارش می‌دهد که تراشه‌های نورومورفیک می‌توانند استنتاج و بهینه‌سازی هوش مصنوعی را با ۱۰۰ برابر انرژی کمتر و با سرعت ۵۰ برابر سریع‌تر از سیستم‌های CPU/GPU معمولی انجام دهند یا به عنوان مثال، تراشه TrueNorth شرکت IBM به ۴۰۰ میلیارد عملیات در ثانیه به ازای هر وات دست یافته که راندمانی از انرژی است که هیچ پردازنده سنتی نمی‌تواند با آن رقابت کند.

این دستاوردها با بده‌بستان‌هایی همراه هستند. SNNها معمولاً از نظر دقت و ابزار به بلوغ کمتری می‌رسند. همانطور که در یک بررسی اشاره شده است، DNNهای سنتی هنوز هم از نظر دقت و سهولت استفاده برنده هستند، در حالی که SNNها می‌توانند به طور قابل توجهی از نظر انرژی کارآمدتر باشند، اما به روش‌های آموزشی جدیدی نیاز دارند. محققان در حال پر کردن این شکاف هستند، اما در حال حاضر، هوش مصنوعی اسپایک اغلب در دقت خام کمی از هوش مصنوعی استاندارد عقب‌تر است.

SNNهای الهام گرفته از مغز، داده‌ها را در میلی‌ثانیه با میکروژول پردازش می‌کنند، نه در ثانیه با ژول. الگوی «فقط در صورت نیاز فعال شدن» مبتنی بر رویداد آنها، حتی اگر به الگوریتم‌ها و سخت‌افزارهای تخصصی نیاز باشد، تأخیر و قدرت بسیار کمتری را ارائه می‌دهد.

مسابقه جهانی: از Loihi تا میمون داروین

غول‌های فناوری و دولت‌ها در حال سرمایه‌گذاری‌های سنگین روی تراشه‌های نورومورفیک هستند. در ایالات متحده، شرکت‌های اینتل و IBM در این زمینه پیشرو بوده‌اند.

تراشه TrueNorth شرکت IBM ساخته سال ۲۰۱۴ دارای یک میلیون نورون و ۲۵۶ میلیون سیناپس بود و تنها ۶۵ میلی‌وات برق مصرف می‌کرد و ۵۸ گیگا-سیناپتیک عملیات در ثانیه انجام می‌داد.

آزمایشگاه‌های شرکت اینتل به تراشه «Loihi»، «Loihi 2» و سیستم‌های بزرگی مانند «Pohoiki Beach» با ۸ میلیون نورون و «Hala Point» با ۱.۱۵ میلیارد نورون دست یافتند.

این شرکت ادعا می‌کند که این نمونه‌های اولیه ۵۰ برابر سریع‌تر و با ۱۰۰ برابر انرژی کمتر از GPUها اجرا می‌شوند و قرار دادن ۱۱۵۲ تراشه Loihi2 در Hala Point آن، افزایش قابل توجهی در سرعت و کارایی را امکان‌پذیر کرده است.

شرکت BrainChip (ایالات متحده/کانادا) و استارت‌آپ‌هایی مانند SynSense سوئیس نیز در حال پیشبرد فناوری نورومورفیک هستند. هسته کاملاً دیجیتال تراشه Akida SNN شرکت BrainChip برای هوش مصنوعی لبه‌ای در خودروها و دوربین‌ها طراحی شده است.

از سوی دیگر، چین نیز در حال پیشرفت است. طرح‌های فناوری پکن ده‌ها میلیارد دلار را به سخت‌افزار هوش مصنوعی اختصاص می‌دهد و تراشه‌های نورومورفیک به عنوان پرچمدار عمل می‌کنند.

به عنوان مثال، پروژه «میمون داروین»(Darwin Monkey) چین یک رایانه نورومورفیک در مقیاس رَک با بیش از ۲ میلیارد نورون و ۱۰۰ میلیارد سیناپس ساخته است، با این حال تنها حدود ۲۰۰۰ وات برق مصرف می‌کند. این سیستم موسوم به «Wukong» از ۹۶۰ تراشه نوروسیناپتیک سفارشی در ۱۵ رَک استفاده می‌کند که از نظر مقیاس با Hala Point شرکت اینتل رقابت می‌کند، اما تنها یک دهم برق آن را مصرف می‌کند.

ابتکارات تحت حمایت دولت چین، این فناوری را تکمیل می‌کنند. گزارش‌ها حاکی از آن است که چین تا ۱۵۰ میلیارد دلار به تحقیق و توسعه هوش مصنوعی و تراشه بومی خود اختصاص داده است.

شرکت‌های اینتل، IBM و دیگران، این تحولات را به دقت زیر نظر دارند. تراشه‌های Loihi و Loihi2 اینتل هر کدام ۱ تا ۲ میلیون نورون را با صدها میلیون سیناپس مدل‌سازی می‌کنند، در حالی که یک میلیون نورون TrueNorth با موازی‌سازی مبتنی بر رویداد کار می‌کنند؛ ارقامی که در مقایسه با پروژه چند میلیارد نورونی «میمون داروین» ناچیز به نظر می‌رسند.

با این حال، هر رویکرد، نقاط قوت منحصر به فردی را ارائه می‌دهد. شرکت IBM اخیراً حدود ۳۰ میلیون دلار به یک تلاش تحقیق و توسعه نورومورفیک نسل بعدی موسوم به NorthPole اختصاص داده است. اتحادیه اروپا و ژاپن نیز تحقیقات نورومورفیک را تأمین مالی می‌کنند. به عنوان مثال، ژاپن پروژه‌ای به نام AiMOS را در دست توسعه دارد.

این مسابقه جهانی، سازندگان تراشه و استارت‌آپ‌های غربی را در مقابل سرمایه‌گذاری‌های دولتی چین قرار می‌دهد. تحلیلگران پیش‌بینی می‌کنند که فناوری نورومورفیک در تمام حوزه‌های هوش مصنوعی لبه‌ای گسترش خواهد یافت.

این حوزه با سرمایه‌گذاری سنگین دولت‌ها و صنایع در پردازنده‌های شبیه به مغز، یک جبهه پیشرو در مسابقه تسلیحاتی نیمه‌رساناهای صنعتی است.

کاربردهای صنعتی؛ ربات‌های خودمختار و اینترنت اشیاء با مغزهای میلی‌ثانیه‌ای

تراشه‌های نورومورفیک فقط کنجکاوی‌های آزمایشگاهی نیستند. سیستم‌های واقعی در حال حاضر عملکرد صنعتی فوق‌العاده سریع و کم‌مصرف را نشان می‌دهند. پهپادها و ربات‌های خودمختار را در نظر بگیرید. محققان در دانشگاه فنی دلفت(Delft)، یک پهپاد پرنده کاملاً نورومورفیک ساخته‌اند. شبکه ورودی و کنترل دوربین رویداد آن بر روی یک تراشه Loihi اینتل اجرا می‌شود و به سرعت پردازش تا ۶۴ برابر بیشتر از یک پردازنده گرافیکی دست یافته است، در حالی که تقریباً سه برابر انرژی کمتری مصرف می‌کند.

همانطور که پایگاه Neuroscience News تأکید می‌کند، شبکه عصبی عمیق پهپاد، داده‌ها را تا ۶۴ برابر سریع‌تر پردازش می‌کند و سه برابر انرژی کمتری نسبت به زمانی که روی یک پردازنده گرافیکی اجرا می‌شود، مصرف می‌کند. این افزایش بهره‌وری به زمان واکنش زیر میلی‌ثانیه برای اجتناب از موانع و کنترل تبدیل می‌شود که برای ربات‌های چابک بسیار مهم است.

بینایی و حسگری در لحظه یکی دیگر از نقاط قوت هستند. دوربین‌های رویداد و پردازنده‌های اسپایک در بازرسی با سرعت بالا برتری دارند. بینایی نورومورفیک در آزمایش‌های تولیدی، قطعات را روی نوار نقاله شمارش کرد و نقص‌های جوش را بسیار سریع‌تر از دوربین‌های معمولی تشخیص داد.

به عنوان مثال، در یک مطالعه از یک دوربین رویداد برای شمارش دانه‌های ذرت در یک خط تولید غذایی استفاده شد و شمارش دقیق ذرت‌ها را در یک محیط تولید نشان داد.

برخی دیگر، دوربین‌های رویداد را روی ربات‌های جوشکاری قرار دادند که به آنها اجازه می‌داد جوشکاری را با دقت زمانی برتر تجسم کنند و ناهنجاری‌ها را در لحظه علامت‌گذاری کنند.

همچنین در یک نظارت مبتنی بر ارتعاش، یک سیستم استریو مبتنی بر رویداد، ارتعاشات مکانیکی را با همان دقت لرزش‌نگارهای لیزری گران‌قیمت ردیابی کرد.

این نسخه‌های نمایشی در عمل نشان می‌دهند که هوش مصنوعی نورومورفیک به حلقه‌های حسگری و تصمیم‌گیری در محدوده میلی‌ثانیه دست می‌یابد.

دستگاه‌های اینترنت اشیاء لبه‌ای نیز از نگهداری و نظارت بهره‌مند می‌شوند. یک مطالعه موردی اخیر در آلمان، یک SNN را روی Loihi برای داده‌های ارتعاش پمپ توسعه داد و به دقت تشخیص خطای ۹۷ درصدی دست یافت. این کار با استفاده از تنها ۰.۰۰۳۲ ژول به ازای هر استنتاج در Loihi انجام شد، در حالی که برای یک پردازنده مرکزی ۱۱.۳ ژول انرژی می‌برد. این یعنی کاهش ۱۰۰۰ برابری مصرف انرژی برای تشخیص ناهنجاری در لحظه در یک حسگر.

به طور مشابه، ابزار ساده اینترنت اشیاء، مانند دوربین‌های هوشمند و میکروفون‌ها می‌توانند وظایف سنگین هوش مصنوعی را به تراشه‌های کوچک نورومورفیک واگذار کنند.

شرکت BrainChip گزارش داده است که SNNهای Akida می‌توانند دستورات صوتی (مثلاً آهای مرسدس) را در یک خودرو تنها در چند میلی‌ثانیه و چند ده میکروژول مصرف انرژی تشخیص دهند، در حالی که در کنترل‌کننده‌های سنتی صدها میلی‌ثانیه زمان و چندین میکروژول انرژی مصرف می‌شود.

نورومورفیک و بحران انرژی

نتیجه فنی برجسته شده در بالا، نشان‌دهنده یک انفجار در بازار است. تحلیلگران پیش‌بینی می‌کنند که بازارهای هوش مصنوعی لبه‌ای و اینترنت اشیاء به سرعت سخت‌افزار نورومورفیک را برای حل تنگناهای نوظهور در مصرف برق و تأخیر در بر خواهند گرفت.

اول اینکه تعداد «اشیاء» در اینترنت اشیاء به سرعت در حال افزایش است. پیش‌بینی‌ها حاکی از آن است که تا سال ۲۰۲۷ حدود ۲۹ میلیارد دستگاه متصل وجود خواهد داشت که توسط شهرهای هوشمند، تولید و پوشیدنی‌های مصرفی هدایت می‌شوند. با توجه به اینکه هر دستگاه به هوش مصنوعی کوچک و کارآمد نیاز دارد، کارشناسان این صنعت پیش‌بینی می‌کنند که هوش درون‌دستگاهی به رویکرد غالب تبدیل خواهد شد.

تحلیلگران موسسه «گارتنر» اظهار داشته‌اند که اکثر محصولات جدید اینترنت اشیاء تا اواخر دهه حاضر از هوش مصنوعی محلی استفاده خواهند کرد و تراشه‌های نورومورفیک در برنامه‌های کاربردی لبه‌ای (edge ​​applications) نفوذ خواهند کرد.

داده‌های بازار نیز این موضوع را تأیید می‌کنند. یک گزارش تخمین می‌زند که ارزش بازار محاسبات نورومورفیک از حدود ۲۸.۵ میلیون دلار در سال ۲۰۲۴ به ۱.۳۲ میلیارد دلار تا سال ۲۰۳۰ (با نرخ رشد مرکب سالانه ۸۹ درصدی) خواهد رسید.

به طور مشابه، موسسه «Fortune Business Insights» خاطرنشان می‌کند که محموله‌های «رایانه‌های شخصی هوش مصنوعی» که نماینده‌ای برای دستگاه‌های هوش مصنوعی لبه‌ای هستند، از تقریباً ۵۰ میلیون واحد در سال ۲۰۲۴ به بیش از ۱۶۷ میلیون واحد تا سال ۲۰۲۷ افزایش خواهند یافت.

محققان بازار، طرح‌های نورومورفیک را به دلیل مزایای فوق‌العاده کم‌مصرف آنها برجسته می‌کنند. یک گزارش نشان می‌دهد که چگونه این تراشه‌ها جابجایی داده‌های پرمصرف انرژی را به حداقل می‌رسانند که یک مزیت حیاتی برای دستگاه‌های اینترنت اشیاء باتری‌دار است.

مدیران اجرایی این صنعت نیز موافق‌اند که این موج در حال افزایش است. به عنوان مثال، «مرسدس بنز» در حال بررسی هوش مصنوعی نورومورفیک در خودروهای خود است و بررسی می‌کند که چگونه می‌تواند محاسبات هوش مصنوعی را به طور قابل توجهی از نظر انرژی کارآمدتر و سریع‌تر کند.

تیم تحقیق و توسعه «مرسدس بنز» گزارش می‌دهد که یک سیستم بینایی نورومورفیک می‌تواند انرژی محاسباتی رانندگی خودران را در مقایسه با مجموعه امروزی، حدود ۹۰ درصد کاهش دهد.

استارت‌آپ‌هایی مانند SynSense و BrainChip ادعا می‌کنند که صدها میلیون دلار بودجه خصوصی دریافت کرده‌اند و تحلیلگران می‌گویند که غول‌های جهانی تراشه از جمله شرکت‌های کوالکام، HPE و غیره به سرعت در حال افزودن نورومورفیک به نقشه راه خود هستند.

به طور خلاصه، با پیش‌بینی ده‌ها میلیارد دلار برای هزینه‌های هوش مصنوعی لبه‌ای، تحلیلگران پیش‌بینی می‌کنند که اکثر دستگاه‌های جدید اینترنت اشیاء ظرف چند سال آینده بر روی تراشه‌های الهام گرفته از مغز اجرا خواهند شد. رقم پرتکرار، ۷۰ درصد از اینترنت اشیاء تا سال ۲۰۲۷ است که با پیش‌بینی‌های رشد اینترنت اشیاء همسو است، به این معنی که نورومورفیک می‌تواند به زودی هوش مصنوعی لبه‌ای را در اکثر دستگاه‌ها تقویت کند.

به بیان دیگر، محاسبات لبه‌ای نورومورفیک در صنعت، از تئوری به عمل در حال گذار است. از پهپادهای خودران گرفته تا کارخانه‌های هوشمند، تراشه‌های الهام گرفته از مغز، پاسخ‌هایی در حد میلی‌ثانیه و مصرف برق در حد میلی‌وات ارائه می‌دهند.

همانطور که یکی از محققان شرکت اینتل گفته است، این سیستم‌ها نشان‌دهنده جهشی «در مقیاس بزرگ» در کارایی هستند.

بنابراین با سرمایه‌گذاری میلیاردی دولت‌ها و شرکت‌ها در این فناوری، سخت‌افزار نورومورفیک آماده است تا نسل بعدی اینترنت اشیاء صنعتی، رباتیک و اتوماسیون هوشمند را هدایت کند.

منبع: ایسنا