“شبکه های عصبی” همانند نگین یک انگشتر در عرصه هوش مصنوعی می باشند. این شبکه ها اطلاعات را دریافت می کنند و می توانند با آن کارهایی مانند تبدیل گفتار به متن و یا تشخیص تصاویر را انجام دهند. نکته ای که در مورد این شبکه ها، که الهام گرفته از ساختمان مغز انسان می باشند، وجود دارد این است که اغلب به صورت نرم افزاری ساخته شده و بر روی چیپ های کامپیوتری پیاده می شوند. که این قضیه باعث کاهش سرعت آنها می شود.
IBM نشان داده که ساخت عوامل کلیدی یک شبکه عصبی مستقیم بر روی خود سیلیکون، می تواند عملکرد این شبکه ها را تا 100 برابر کارآمدتر کند. تراشه هایی که به این شکل ساخته می شوند احتمالاً در چند سال آینده باعث پیشرفت سریعتر در امر فراگیری ماشینی می شوند.
تراشه های IBM مانند شبکه های نرم افزاری، بر اساس ساختار مغز انسان و برگرفته از ارتباطات سیناپسی آن شکل گرفته است. این سیناپس های مجازی باید به نحوی تغییر می کنند تا شبکه اجازه یادگیری داشته باشد. در یک مغز زنده، این اتفاق با به وجود آمدن ارتباطات جدید و یا از بین رفتن سیناپس های قدیمی فراهم می شود. در نرم افزار نیز ساخت چیزهای جدید امری آسان است اما همان طور که فکر می کنید، در سخت افزار امری بسیار مشکل می باشد.
سیناپس های مورد استفاده در این تراشه ها به سیناپس های میکروالکترونیک معروف می باشد که توسط همین سازمان معرفی شده اند. این سیناپس ها به دو نوع کوتاه مدت و بلند مدت تقسیم می شوند که نوع کوتاه مدت برای محاسبات و نوع بلند مدت برای حافظه به کار گرفته می شود. این روش ایرادات معدودی در خود دارد. مهمترین آن دقت کم عملکرد آن می باشد که دلیل اصلی عدم پیشرفت در ساخت شبکه های سیلیکونی تا به حال می باشد.
محققین این شبکه عصبی را با یک تست تشخیص تصویر که از دو جزء “دست خط” و “طبقه بندی رنگی تصاویر” تشکیل شده بود، آزمایش کردند. در نهایت مشاهده شد که این سیستم به اندازه مشابه نرم افزاری خود دقیق است در حالی که یک صدم آن انرژی مصرف می کند.
این پیشرفت فقط برای علم هوش مصنوعی مهم نیست. اگر این تکنیک بتواند به بازارهای جهانی راه پیدا کند، شرکت IBM را به هدف اصلی اش نزدیک تر می کند. اگرچه این شرکت این روزها در کار فروش قطعات کامپیوتری نمی باشد، اما در حال حاضر در پی سرمایه گذاری بر روی تحقیقات در مورد ساخت سخت افزارهای کامپیوتری می باشد. به امید روزی که انواع جدید میکروالکترونیک ها بتوانند انگیزه ای برای پیشرفت بزرگ بعدی باشند. این تکنیک جدید شاید بتواند اولین پله برای کارآمدتر کردن فراگیری ماشینی و جای دادن آن در وسایل کوچکتر مانند تلفن همراه باشد.
طراحی این تراشه ها در حال حاضر کامل نیست. این دستگاه متشکل از 5 ترانزیستور و 3 جزء دیگر است در حالی که روی یک چیپ ست معمولی 1 ترانزیستور وجود دارد. برخی از جنبه های آن نیز فقط در شبیه سازی ها تست شده اند که البته روش رایج برای ارزشیابی تراشه ها می باشد. IBM هنوز نیازمند این است که تراشه های خود را کامل تر کند. به هر حال با این اوصاف این کار بسیار چشمگیر خواهد بود و ما را یک قدم به کامپیوترهایی با منطق هوش مصنوعی قوی تر نزدیک تر می کند.
برای کسب اطلاعات بیشتر اینجا کلیک کنید.