ساخت تراشه ای با قابلیت شبیه سازی مغز انسان!

محققین برای این کار از علم مهندسی مواد بهره برده اند تا ممریستورهایی از آلیاژ نقره، مس و سیلیکون تهیه کنند. هنگامی که آن ها اجرای چندین برنامه تصویری را بر روی این تراشه پیاده کردند، مشاهده شد که این تراشه در به یادآوری و باز طراحی تصاویر ذخیره شده قادر است بسیار دقیق تر و تمیزتر از تراشه هایی که تاکنون پیش از این طراحی شده بود، عمل کند.

نتایج این پژوهش در مجله Nature Nanotechnology چاپ شده است. تولید چنین تراشه هایی که از شبیه سازی مغز انسان الهام گرفته شده است، می تواند تحولی در طراحی و تولید دستگاه های کوچک و حتی قابل حمل ایجاد کند که بتوانند محاسبات بسیار سنگین و پیچیده را همزمان انجام دهند، کاری که امروزه تنها ابررایانه های غول پیکر قادر به اجرای آن ها هستند.

Jeehwan Kim استاد دانشکده مهندسی مکانیک دانشگاه MIT در این باره می گوید:

تاکنون توانسته ایم شبکه های سیناپسی مصنوعی را به صورت نرم افزاری پیاده سازی کنیم، اما تلاش خواهیم کرد تا یک شبکه سخت افزاری عصبی واقعی را در قالب یک سیستم هوش مصنوعی قابل حمل تولید کنیم.

تصور کنید که یک دستگاه نورومورفیکی را به یک دوربین درون خودروی خود وصل کرده اید و این سیستم قادر است اشیا و چراغ ها را با سرعت و دقت بالا تشخیص دهد و به سرعت تصمیم گیری کند، بدون این که نیاز به اتصال به اینترنت داشته باشید. ما امیدواریم که ممریستورهایی کارآمد را تولید کنیم که این وظایف را به خوبی بتوانند پیاده کنند.

سیناپس ها، واحدهایی با ساختار زیستی هستند که بین نورون ها در مغز اتصال برقرار می کنند. در اصل، مغز انسان از میلیاردها نورون تشکیل شده است که این نورون ها، وظیفه پردازش و رسانش پیام های عصبی را در مغز انجام می دهند. ارتباط بین این تعداد از نورون ها به وسیله سیناپس انجام می گیرد.

ممریستور در برابر سیناپس مغزی

ممریستورها که با نام ترانزیستورهای حافظه ای «memory transistor» نیز شناخته می شوند، قطعه ای مهم در محاسبات نورومورفیکی محسوب می شوند. در یک دستگاه نورومورفیک، ممریستور نقش ترانزیستور یک مدار را بازی می کند و عملکردی بسیار مشابه یک سیناپس مغزی دارد. سیناپس سیگنال ها را به صورت یون هایی از نورون دریافت می کند و سیگنالی متناظر آن به نورون بعدی ارسال می کند.

یک ترانزیستور در یک مدار اطلاعات را با جابه جایی بین یکی از دو مقدار 0 و 1 منتقل می کند و این انتقال به صورت یک جریان الکتریکی با قدرتی مشخص انجام می شود. در مقابل، یک ممریستور بسیار منعطف تر کار می کند و عملکرد آن چیزی شبیه تر به یک سیناپس مغزی است. در ممریستور، سیگنال هایی که تولید می شوند، با توجه به شدت جریان دریافتی بسیار متفاوت خواهند بود. بنابراین یک ممریستور می تواند تعداد مقادیر مختلفی غیر از 0 و 1 داشته باشد و به این ترتیب عملیات بیشتری را در مقایسه با یک ترانزیستور دوتایی بتواند انجام دهد.

مشابه سیناپس مغزی، یک ممریستور می تواند داده ای که در ارتباط با شدت جریان ورودی است را به یاد بیاورد و سیگنالی دقیقا مشابه با جریان مشابهی که در مرتبه بعدی دریافت می کند، به وجود بیاورد. با استفاده از این قابلیت، یک ممریستور می تواند به معادلات بسیار پیچیده پاسخ دهد یا طبقه بندی درستی برای یک سری از داده ها ایجاد کند. این قابلیت شاهکار جدیدی در خصوص شبیه سازی مغز انسان است که تا پیش از این، توسط ترانزیستورها و حامل های چندگانه امکان پذیر بود.

در نهایت، دانشمندان تصور می کنند که ممریستورها در مقایسه با ترانزیستورها می توانند بسیار قدرتمندتر باشند و نیاز به تعداد چیپ های بسیار کمتری داشته باشند. با این وجود، موارد گفته شده از آرزوهای دست یافتنی آینده بشر است و در حال حاضر، قطعاتی با چنین قابلیت هایی ساخته  نشده اند!

ممریستور از یک الکترود مثبت و منفی ساخته شده است که با یک غشا یا ایجاد فضایی دو الکترود را از هم جدا می کند. هنگامی که ولتاژی به این الکترود اعمال شود، یون ها از سمت الکترود به سمت این غشا حرکت می کنند و یک کانال رسانایی یونی را به سمت الکترود دیگر ایجاد می کنند. یون های دریافت شده، یک سیگنال الکتریکی تولید می کنند که ممریستور از طریق جریان آن ها را منتقل می کند. اندازه این کانال یونی و سیگنالی که ممریستور در نهایت تولید می کند، باید متناسب با ولتاژ تحریک باشد.

کیم در ادامه بیان می کند که طراحی هایی که در خصوص شبیه سازی مغز انسان در حال حاضر انجام می شوند، به گونه ای هستند که ولتاژ سبب تحریک یک کانال رسانای بزرگ و جریان بالایی از یون ها از سمت یک الکترود به الکترود دیگر می شود. اما این طراحی ها هنگامی که نیاز به تولید سیگنال هایی بسیار دقیق تر باشند، چندان دقیق عمل نمی کنند.

هر چه این کانال رسانا ظریف تر، شدت جابه جایی یون ها کمتر و نیاز به سیگنال هایی دقیق تر باشد، مشکل پایداری و در کنار هم ماندن یون ها بیشتر خواهد بود. در این حالت یون ها بیشتر تمایل دارند که از این حالت انتقال منظم پراکنده شوند و سیگنال هایی که الکترود بعدی دریافت خواهد کرد، دقت کم تری خواهد داشت. در این حالت سیگنال ارسالی بین الکترودها مرتبا با کاهش دقت همراه بوده و در نهایت تصویرسازی مناسبی از حالت اولیه نخواهیم داشت.

کلید این مشکل در علم متالورژی نهفته است!

کیم و همکارانش راهی پیدا کرده اند که می تواند بر این مشکل فائق آید. آن ها این کار را با بهره گیری از دانش متالورژی انجام داده اند. با استفاده از هنری به نام آلیاژسازی و بهره گیری از خصوصیات مواد ترکیبی.

کیم در این خصوص می گوید:

مهندسان متالورژی با اضافه کردن اتم هایی متفاوت در یک حجم از ماده، آن را استحکام دهی می کنند، پس چرا ما از برهم کنش اتم ها در ارتقای خواص ممریستورها بهره نگیریم؟ ما می توانیم با اضافه کردن مقداری عصر آلیاژی، حرکت یون ها را در این غشاء کنترل کنترل کنیم.

مهندسین جهت ساخت قطب مثبت الکترود از نقره استفاده می کنند. در همین راستا تیم پژوهشی پروفسور کیم سعی در اضافه کردن عنصری به نقره داشته اند که بتواند یون های نقره را به طور موثری در کنار هم کنار دارد و به آن ها این امکان را بدهد که به سرعت به سمت الکترود دیگر جریان یابند. به همین منظور، آن ها از عنصر مس به عنوان عنصر آلیاژی ایده آلی یاد می کنند که قادر است با نقره و سیلیکون پیوند مناسبی برقرار کند.

کیم در این خصوص می گوید:

مس در نقش نوعی پل اتصالی عمل می کند و این عنصر فصل مشترک بین نقره-سیلیکون را پایدار می کند.

برای ساخت ممریستور با ترکیب جدید، ابتدا الکترود منفی بدون حضور سیلیکون ساخته شد، در ادامه الکترود مثبت با پوششی از نقره و مس تهیه شده و این دو الکترود در دو سمت غشای سیلیکونی آمورف قرار داده شدند. به این ترتیب یک چیپ سیلیکونی جدیدی ساخته شد.

در آزمایشی که بر روی این چیپ صورت گرفت، این چیپ تحت عملیات پردازشی از عملیات ذخیره سازی و یادآوری مجدد تصویرهای مختلفی از مکان های مختلف قرار گرفت. جهت بررسی عملکرد دقیق تر این چیپ، تصاویر به صورت شفاف و تیره در حافظه چیپ ذخیره شدند. نتایج تحقیقات نشان داد که این چیپ ها در باز طراحی و نمایش مجدد تصاویر ذخیره شده، به صورت بسیار دقیق تر و با ارائه جزئیات بیشتری نسبت به نمونه های ساخته شده قبلی عمل کردند.

پروفسور کیم در پایان صحبت های خود اضافه می کند:

ما از سیناپس های مصنوعی جهت انجام تست های حقیقی استفاده می کنیم. ما قصد داریم تا در خصوص شبیه سازی مغز انسان ، این تکنولوژی را در مقیاس گسترده تری توسعه دهیم. شاید روزی شما بتوانید یک مغز مصنوعی را با خود جابه جا کنید تا بتوانید عملیات و وظایف بسیار پیچیده را بدون نیاز به ابررایانه ها، اینترنت و یا حتی فضای ابری انجام دهید.

Journal Reference:

Hanwool Yeon, Peng Lin, Chanyeol Choi, Scott H. Tan, Yongmo Park, Doyoon Lee, Jaeyong Lee, Feng Xu, Bin Gao, Huaqiang Wu, He Qian, Yifan Nie, Seyoung Kim, Jeehwan Kim. Alloying conducting channels for reliable neuromorphic computing. Nature Nanotechnology, 2020; DOI: 10.1038/s41565-020-0694-5