به گزارش ایرنا از پایگاه خبری ساینس دیلی، در یک مغز زنده برای پردازش و ذخیره اطلاعات، سلولهای عصبی پیغامهای الکتریکی را به یکدیگر مخابره میکنند. در بین نورونها فواصل کوچکی موسوم به سیناپس وجود دارد.
این فواصل امکان انتقال سیگنالها را فراهم میکنند و هربار که یک سیگنال منتقل میشود، اتصال بین دو نورون تقویت میشود. بدین ترتیب با افزایش دفعات انتقال سیگنال در یک سیناپس انرژی کمتری صرف مخابره پیامهای الکتریکی در آن سیناپس میشود و این تقویت اتصالات نورونها، روشی است که مغز انسان برای یادگیری و ذخیره اطلاعات به طور همزمان از آن بهره میبرد.
شبکههای عصبی، این فرآیند را در سطح نرمافزاری مدلسازی میکنند و برای این منظور از الگوریتمهای یادگیری عمیق استفاده میکنند؛ اما این فرآیند به دلیل استفاده از تجهیزات سختافزاری متداول، دارای محدودیتهایی است.
برای حل این مشکل محققان استنفورد به جای شبیه سازی نرمافزاری شبکه عصبی تلاش کردند تا یک شبکه عصبی بسازند. محققان در جریان کار خود توانستند یک سیناپس مصنوعی فیزیکی بسازند که قادر است اطلاعات را به طور همزمان پردازش و ذخیره کند.
این سیناپس که برای تامین انرژی موردنیاز از یک باتری بهره میبرد و عملکردی شبیه به ترانزیستور دارد، از دو لایه نازک و سه ترمینال تشکیل شده است که درون آب نمک به عنوان الکترولیت قرار گرفتهاند. بدین ترتیب هربار سیگنالهای الکتریکی بین دو ترمینال منتقل میشوند و این فرآیند توسط ترمینال سوم کنترل میشود.
انرژی موردنیاز این سیناپس مصنوعی ۱۰ هزار برابر یک سیناپس واقعی است؛ با وجود این، طراحی و ساخت آن یک گام بسیار مهم در مسیر صحیح محسوب میشود و محققان امیدوارند با انجام آزمایشات و تحقیقات بیشتر بتوانند کارآیی این سیناپس مصنوعی را افزایش دهند.
مغز انسان توانمندترین پردازنده طبیعی در جهان است؛ بنابر این عجیب نیست که از سالها قبل شبیه سازی چنین پردازندهای یکی از مهمترین اهداف محققان باشد. شبکههای عصبی که با روشی مشابه مغز انسان اطلاعات را میآموزند، نزدیکترین نمونههای موجود به مغز انسان محسوب میشوند.
- 11
- 1