گروهی از مهندسان دانشگاه تگزاس دالاس پروتوتایپی کوچک از رایانه‌ای شبه‌مغز ساخته‌اند که الگوی شناخت و پیش‌بینی را با محاسبات آموزشی بسیار کمتر از سیستم‌های هوش مصنوعی مرسوم انجام می‌دهد.

 

به گزارش ایتنا و به نقل از اینترستینگ انجینیرینگ، دکتر جوزف اس. فریدمن، دانشیار مهندسی برق و کامپیوتر می‌گوید این پیشرفت می‌تواند شیوه یادگیری ماشین‌ها را دگرگون کند. وی اظهار می‌دارد: «پژوهش ما راهی تازه برای ساخت رایانه‌های الهام‌گرفته از مغز نشان می‌دهد که می‌توانند به تنهایی یاد بگیرند».

 

گفته می‌شود چون رایانه‌های نورومورفیک به حجم عظیمی از محاسبات آموزشی نیاز ندارند، می‌توانند دستگاه‌های هوشمند را بدون هزینه انرژی هنگفت تغذیه کنند.

 

پژوهش فریدمن بر اصل دونالد هب، عصب‌روان‌شناس، استوار است؛ قانونی معروف به قانون هب: نورون‌هایی که با هم فعال می‌شوند، با هم پیوند می‌یابند.

 

فریدمن توضیح می‌دهد: «اصل ما برای یادگیری خودکار رایانه این است که اگر یک نورون مصنوعی باعث فعال شدن نورون مصنوعی دیگری شود، سیناپس میان‌شان رساناتر می‌گردد».

 

در قلب این پروتوتایپ، اتصالات تونلی مغناطیسی (MTJ) قرار دارد؛ ابزارهایی در مقیاس نانو که از دو لایه مغناطیسی با عایقی میان‌شان ساخته شده‌اند. وقتی لایه‌های مغناطیسی هم‌جهت باشند، الکترون‌ها آسان‌تر از سد عبور می‌کنند و وقتی جهت‌شان مخالف باشد، عبور دشوارتر است.

 

پژوهشگران با پیوند این اتصالات در شبکه‌ای، سیستمی ساختند که با گذر سیگنال‌ها، پیوندهایش را خود تنظیم می‌کند. برخی مسیرها تقویت و برخی دیگر تضعیف می‌شوند؛ شبیه تکامل سیناپس‌های مغز در حین یادگیری.

 

گفتنی است اتصالات تونلی مغناطیسی ذخیره داده‌ای پایدار ارائه می‌دهند، زیرا رفتار سوئیچینگ دوگانه دارند و این محدودیت دیرینه رویکردهای نورومورفیک دیگر را برطرف می‌کند.

 

هدف بعدی فریدمن، بزرگ‌نمایی پروتوتایپ برای وظایف یادگیری پیچیده‌تر است. سیستمی بزرگ‌تر می‌تواند داده‌ها را لحظه‌ای پردازش کند و تنها کسری از توان تراشه‌های هوش مصنوعی کنونی مصرف نماید.