همانطور که از نامش پیداست، پردازش نورومورفیک از مدلی استفاده می کند که عملکرد مغز انسان را تقلید می‌کند. مغز یک مدل جذاب برای محاسبات ایجاد می‌کند: برخلاف بیشتر ابر کامپیوتر‌ها که اتاق‌ها را پر می‌کنند، مغز جمع‌وجور است و به‌خوبی در جعبه ای به اندازه سر شما قرار می‌گیرد. همچنین مغزها نسبت به ابررایانه ها به انرژی بسیار کمتری نیاز دارند: مغز شما حدود 20 وات انرژی مصرف می‌کند، در حالی که ابررایانه فوگاکو به 28 مگاوات نیاز دارد!
یکی از جدیدترین زیر شاخه‌های مهندسی، مهندسی نورومورفیک است که مهندسی برق،
کامپیوتر و مکانیک را با زیست شناسی، فیزیک و علوم اعصاب ترکیب می‌کنند. مهندسی نورومورفیک در حال حاضر در صنایع مختلف در سراسر جهان با اهداف و مفاهیم گسترده برای محاسبات و توسعه در آینده مورد بررسی قرار گرفته است. مهندسی نورومورفیک زیر مجموعه‌ای از مهندسی کامپیوتر است که بارهای پردازشی را در ساختاری مشابه آنچه که مغز انسان انجام می‌دهد، مدیریت می‌کند. اغلب، سیستم‌های مهندسی نورومورفیک از سیستم‌های VLSI (ادغام در مقیاس بسیار بزرگ) برای تقلید از معماری سیستم عصبی و مغز انسان استفاده می‌کنند. در این مقاله با مفهوم جذاب پردازش نورومورفیک بیشتر آشنا می‌شوید.
نگاهی به مهندسی نورومورفیک
مهندسی نورومورفیک که به عنوان پردازش نورومورفیک نیز شناخته می‌شود، به استفاده از سیستم‌های یکپارچه در مقیاس بزرگ (VSLI) اشاره دارد که شامل مدارهای آنالوگ الکترونیکی برای تقلید از معماری‌های عصبی بیولوژیکی موجود در سیستم عصبی انسان است. کامپیوتر/تراشه نورومورفیک وسیله‌ای است که از نورون‌های مصنوعی (ساخته شده از سیلیکون) برای انجام محاسبات استفاده می‌کند.
اصطلاح نورومورفیک به تازگی برای توصیف آنالوگ، دیجیتال، ترکیبی از آنالوگ/دیجیتال VLSI و سیستم‌های نرم‌افزاری که مدلهای سیستم‌های عصبی (ادراک، حرکتی، یا احساسات مختلف) را پیاده‌سازی می‌کنند، استفاده می‌شود. یکی از جنبه‌های کلیدی مهندسی نورومورفیک درک این موضوع است که چگونه مورفولوژی تک نورون‌ها، مدارها، برنامه‌ها معماری‌های محاسباتی مطلوبی را ایجاد می‌کنند، بر نحوه نمایش اطلاعات تاثیر می‌گذارند، و تغییرات تکاملی را تسهیل می‌کنند.
مهندسی نوروفورمیک موضوعی بین رشته‌ای است که از زیست شناسی، فیزیک، ریاضیات، علوم کامپیوتر و مهندسی الکترونیک برای طراحی سیستم‌های عصبی مصنوعی، مانند: سیستم‌های بینایی، پردازنده‌های شنوایی، و ربات‌های مستقل الهام می‌گیرد. اصول معماری و طراحی پردازنده نورومورفیک بر اساس سیستم‌های عصبی بیولوژیکی شکل گرفته است.
پردازش نورومورفیک و تقلید از مغز
مهندسی نورومورفیک در حال حاظر با الهاماتی از ساختار و عملکرد مغز طراحی شده است. مهندسی نورومورفیک عملکرد مغز را به زبان سیستم‌های کامپیوتری ترجمه می‌کند. فرآیند بیولوژیکی نورون‌ها سیناپس‌ها (نوعی سلول عصبی) بسیار پیچیده است. یکی از ویژگی‌های کلیدی مغزهای بیولوژیکی این است که تمام پردازش‌های آن از سیگنال‌های شیمیایی آنالوگ استفاده می‌کنند.
هدف محاسبات نورومورفیک
هدف پردازش نورومورفیک تقلید کامل مغز و تمام عملکردهای آن نیست، بلکه در عوض استخراج ساختار و عملیات آن برای استفاده در یک سیستم محاسباتی می‌باشد. سیستم‌های نورومورفیک هیچ تلاشی برای باز تولید نورون‌ها و سیناپس‌ها ندارند، اما همه به این ایده پایبند هستند که پردازش کلی باید در یک سری از عناصر محاسباتی کوچک مشابه یک نورون توزیع شوند.
کاربرد فناوری نورومورفیک در صنایع مختلف
به طور کلی پردازش نورومورفیک کاربردهای بسیاری در صنایع مختلف دارد که در موارد زیر خلاصه می‌شوند:
• بهینه سازی فرآیند
• تجزیه و تحلیل داده‌ها
• درک زبان طبیعی
• ماشین‌های بدون راننده
• دستگاه‌های خانه‌های هوشمند
اعمال ملاحظات اخلاقی در مورد مهندسی نورومورفیک
در حالی که مفهوم بین رشته‌ای پردازش نورومورفیک نسبتا جدید است، بسیاری از ملاحظات اخلاقی مشابهی که در مورد ماشین‌های شبیه انسان و به طور کلی هوش مصنوعی اعمال می‌شود، در سیستم‌های نورومورفیک نیز وجود دارد. بحث اصلی این است که
سخت‌افزار نورومورفیک و همچنین «شبکه‌های عصبی» مصنوعی، مدلهای ساده‌ای از نحوه عملکرد مغز یا پردازش اطلاعات با پیچیدگی بسیار کمتر از نظر اندازه و فناوری هستند.
واقعیت این است که سیستم‌های شناختی عصبی بسیار کارآمدتر از هوش مصنوعی و مهندسی نورومورفیک هستند که از نظر انرژی و محاسبات بسیار بهتر عمل می‌کنند و مهندسی نورومورفیک در تلاش است تا این شکاف را با الهام از مکانیسم مغز کاهش دهد.
پردازش نورومورفیک چگونه کار می‌کند؟
در حالی که محاسبات نورومورفیک به جنبه تفکر مغز محدود می‌شود، درست مانند یک سیستم هوش مصنوعی نورومورفیک کار می‌کند. مهندسی نورومورفیک شامل بازسازی کل سیستم عصبی را که در مغز یافت می‌شود، مانند: حس کردن و سایر اعمال لمسی می‌باشد. با این حال، تمرکز مهندسی نورومورفیک در بخش سیستم عصبی مغز است، زیرا مغز پیچیده‌ترین و ناشناخته‌ترین مجموعه سیستم عصبی می‌باشد.
شبکه‌های عصبی سنتی و محاسبات یادگیری ماشینی معمولا بر روی ارائه محاسبات بسیار سریع متمرکز هستند. به این معنی که آن‌ها می‌توانند بسیاری از وظایف را در یک زمان انجام دهند. همچنین آن‌ها به اتفاقات مختلف بر اساس شرایط محیطی متغیر پاسخ می‌دهند و سازگاری و انعطاف پذیری بالایی دارند. علاوه بر این، در برابر خطا قوی و مقاوم هستند، به این معنی که همچنان می‌توانند در صورت خرابی یا کار افتادن قطعات، شرایط را مدیریت کنند.
پردازش نورومورفیک با ساختن سیستم‌های عصبی مصنوعی که «نورون‌ها» (گره‌های پردازش اطلاعات) و «سیناپس» (اتصال بین آن گره‌ها) را برای انتقال سیگنال‌های الکتریکی با استفاده از مدارهای آنالوگ اجرا می‌کنند، به عملکرد و کارایی مغز دست می‌یابند. این کار مقدار الکتریسیته جاری بین آن گره‌ها را تعدیل می‌کند تا درجات مختلفی از قدرت سیگنال‌های مغزی طبیعی را تقلید کنند.
تراشه نورومورفیک با ادغام حافظه می‌تواند اطلاعات را به روشی بسیار کارآمدتر پردازش کند، و تراشه‌ها را قادر سازد تا به طور همزمان بسیار کارآمد عمل کنند. هر نورون جداگانه بسته به وظیفه‌ای که دارد پردازش را انجام می‌دهد.
تحقیقات انجام شده برای محاسبات نورومورفیک
آزمایشگاه‌های اینتل تحقیقاتی را برای کمک به تحقق پردازش نورومورفیک جهت فعال کردن دستگاه‌های هوشمند نسل بعدی و سیستم‌های مستقل رهبری می‌کنند. با هدایت اصول محاسبات عصبی بیولوژیکی، پردازش نورومورفیک از الگوریتم‌های جدیدی استفاده می‌کند که نحوه تعامل مغز انسان با جهان را برای ارائه قابلیت‌های نزدیک به رفتار انسان تقلید می‌کند.
مدلهای جدید شبکه‌های عصبی Spiking (SNN) که یادگیری طبیعی را در شبکه‌های عصبی با شبیه سازی می‌کند، در محاسبات نورومورفیک برای تصمیم‌گیری و پاسخ به الگوها در طول زمان استفاده می‌شوند. پردازنده‌های نورومورفیک از این SNNها استفاده می‌کنند تا قدرت و عملکردی بهتر داشته باشند.
مهندسی نورومورفیک تا حدودی شگفت‌آور است. این تکنولوژی به بیداری مجدد محاسبات آنالوگ در دنیای الکترونیک و محاسبات کمک بسیاری کرده است؛ زیرا در حال حاظر نیازمند توسعه در هر دو جنبه عصبی و حسی علوم اعصاب هستیم. آنالوگ الکترونیک به سرعت تحت تاثیر عصر دیجیتال قرار گرفته است و پردازنده‌ها در هر شکل و اندازه‌ای به تکنیک‌های پردازش دیجیتال متکی هستند. این فناوری هنوز در مراحل ابتدایی خود است، اما تاثیر آن بر آینده الکترونیک و محاسبات عمیق خواهد بود.
شبکه عصبی اسپکینگ (SNN)
سیستم نورون‌ها و سیناپس‌هایی که این پالس‌های الکتریکی را منتقل می‌کنند به عنوان یک شبکه عصبی اسپکینگ (SNN) شناخته می‌شود. این سیستم تغییرات سیگنال آنالوگ را اندازه‌گیری می‌کند. در شبکه‌های عصبی سنتی از سیگنال‌های دیجیتالی به مقدار بسیار کم استفاده می‌شود.
یک معماری سنتی تراشه کامپیوتری معروف به معماری فون نویمان، معمولا دارای یک واحد حافظه مجزا (MU)، واحد پردازش مرکزی (CPU) و مسیرهای انتقال داده است. این بدان معنی است که اطلاعات باید به طور مکرر بین مولفه‌های مختلف جا به جا شوند، چرا که رایانه باید یک چرخه معین را تکمیل کند.
نتیجه گیری
محاسبات نورومورفیک روشی از مهندسی کامپیوتر است که در آن عناصر یک کامپیوتر بر اساس سیستم‌های موجود در مغز و سیستم عصبی انسان مدل سازی می‌شوند. فناوری‌های محاسباتی نورومورفیک برای آینده محاسبات مهم خواهند بود. بسیاری از کارها در پردازش نورومورفیک بر توسعه سخت‌افزار متمرکز شده‌اند. شرکت‌هایی مانند: اینتل، آی‌بی‌ام و گوگل منابع گسترده‌ای را به استراتژی‌های مهندسی نورومورفیک اختصاص داده‌اند و در تلاش برای تحقق انقلاب معماری محاسباتی هستند.