تحاكي شبكة Nanowire الدماغ، حيث تتعلم الكتابة اليدوية بدقة تصل إلى 93.4%

ملخص: طور الباحثون نظامًا حاسوبيًا تجريبيًا يشبه الدماغ البيولوجي، ونجحوا في التعرف على الأرقام المكتوبة بخط اليد بنسبة دقة بلغت 93.4%.

تم تحقيق هذا الإنجاز باستخدام خوارزمية تدريب جديدة توفر تعليقات مستمرة في الوقت الفعلي، متفوقة في الأداء على أساليب معالجة البيانات المجمعة التقليدية التي حققت دقة بنسبة 91.4%.

يتكون تصميم الكمبيوتر من شبكة ذاتية التنظيم من الأسلاك النانوية على أقطاب كهربائية متشابكة توفر الذاكرة وقدرات المعالجة، على عكس أجهزة الكمبيوتر التقليدية ذات الوحدات المنفصلة.

هذا التقدم في الحوسبة المستوحاة من الدماغ يمكن أن يحدث ثورة في تطبيقات الذكاء الاصطناعي، مما يتطلب طاقة أقل وتميزًا في تحليل البيانات المعقدة.

مفتاح الحقائق:

1. أظهر نظام شبكة الأسلاك النانوية قدرات تعليمية ممتازة، حيث حقق دقة بنسبة 93.4% في التعرف على الأرقام المكتوبة بخط اليد.
2. إن خوارزمية التدريب الفريدة للنظام وتخزين الذاكرة ضمن بنيته المادية تميزه عن أساليب الحوسبة التقليدية.
3. وتُظهر هذه التقنية إمكانات تطبيقات الذكاء الاصطناعي الموفرة للطاقة، وقدرات المعالجة المعقدة، وتوليد البيانات في الوقت الفعلي.

مصدر: جامعة كاليفورنيا

نظام حاسوبي تجريبي صمم فعليا الدماغ البيولوجي “تعلم” التعرف على الأرقام المكتوبة بخط اليد بدقة إجمالية قدرها 93.4%.

كان أحد الابتكارات الرئيسية للتجربة هو خوارزمية التدريب الجديدة التي تزود الكمبيوتر بمعلومات مستمرة حول نجاحه في المهمة في الوقت الفعلي كما تعلمها.

وتفوقت الخوارزمية في الأداء على نهج التعلم الآلي التقليدي، حيث تمت معالجة مجموعة من البيانات بعد التدريب، مما أدى إلى دقة بلغت 91.4%. وأظهر الباحثون أيضًا أن ذاكرة المدخلات السابقة المخزنة في الكمبيوتر تعمل على تحسين التعلم. في المقابل، تقوم أساليب الحوسبة الأخرى بتخزين الذاكرة داخل البرامج أو الأجهزة بشكل منفصل عن معالج الجهاز.

خلفية

على مدار 15 عامًا، ظل الباحثون في معهد كاليفورنيا لأنظمة النانو في جامعة كاليفورنيا أو CNSI يطورون تكنولوجيا منصات جديدة للحوسبة. هذه التكنولوجيا عبارة عن نظام مستوحى من الدماغ يتكون من شبكة معقدة من الأسلاك المغطاة بالفضة الموضوعة فوق طبقة من الأقطاب الكهربائية.

يتلقى الكمبيوتر المدخلات وينتج المخرجات من خلال نبضات كهربائية. الأسلاك الفردية صغيرة جدًا بحيث يتم قياس أقطارها بمقياس النانو، أي جزء من مليار من المتر.

تختلف “الأدمغة الفضية الصغيرة” كثيرًا عن أجهزة الكمبيوتر الحالية، التي تحتوي على ذاكرة منفصلة ووحدات معالجة مصنوعة من ذرات لا تتغير حالتها مع تدفق الإلكترونات.

في المقابل، تقوم شبكة الأسلاك النانوية بإعادة تشكيل نفسها فعليًا استجابةً للمحفزات، مع ذاكرة تعتمد على بنيتها الذرية وموزعة في جميع أنحاء النظام. عندما تتقاطع الأسلاك، يمكن أن تتشكل الروابط أو تنقطع، وهو ما يشبه سلوك المشابك العصبية في الدماغ البيولوجي، حيث تتواصل الخلايا العصبية مع بعضها البعض.

قام الباحثون المتعاونون في جامعة سيدني بتطوير خوارزمية مبسطة لتوفير المدخلات وتفسير المخرجات. تم تخصيص هذه الخوارزمية لتغيير قدرة النظام الشبيهة بالدماغ ديناميكيًا على معالجة تدفقات متعددة من البيانات في وقت واحد.

طريقة

يتكون الهيكل الشبيه بالدماغ من مادة تحتوي على الفضة والسيلينيوم، والتي سُمح لها بالتنظيم الذاتي في شبكة من الأسلاك النانوية المتشابكة فوق مجموعة من 16 قطبًا كهربائيًا. وقام العلماء بتدريب واختبار شبكة الأسلاك النانوية باستخدام صور لأرقام مكتوبة بخط اليد، وهي مجموعة بيانات طورها المعهد الوطني للمعايير والتكنولوجيا وغالباً ما تستخدم لقياس أنظمة التعلم الآلي.

تم نقل الصور إلى النظام بكسلًا تلو الآخر باستخدام نبضات كهربائية، تدوم كل منها جزءًا من الألف من الثانية، بفولتية متفاوتة تشير إلى بكسلات فاتحة أو داكنة.

تأثير

ومن المتوقع أن تتطلب شبكة الأسلاك النانوية، التي لا تزال قيد التطوير، طاقة أقل بكثير من أنظمة الذكاء الاصطناعي القائمة على السيليكون. تُظهر الشبكة أيضًا نتائج واعدة في المهام التي يكافح الذكاء الاصطناعي الحالي لإنجازها: فهم البيانات المعقدة مثل الطقس وحركة المرور وأنماط الأنظمة الأخرى التي تتغير بمرور الوقت. وللقيام بذلك، يتطلب الذكاء الاصطناعي اليوم كميات هائلة من بيانات التدريب وتكاليف طاقة عالية.

مع نوع التصميم المشترك المستخدم في هذه الدراسة – حيث يتم تطوير الأجهزة والبرامج بشكل مشترك – قد تلعب شبكات الأسلاك النانوية في النهاية دورًا تكميليًا مع الأجهزة الإلكترونية المعتمدة على السيليكون.

الذاكرة الشبيهة بالدماغ والمعالجة المضمنة في الأنظمة المادية القادرة على التكيف والتعلم المستمر قد تكون مناسبة بشكل خاص لما يسمى “حوسبة الحافة”، والتي تعالج البيانات المعقدة على الفور دون الحاجة إلى الاتصال بخوادم بعيدة.

وتشمل التطبيقات المحتملة الروبوتات، والملاحة المستقلة في الآلات مثل المركبات والطائرات بدون طيار، وتكنولوجيا الأجهزة الذكية التي تشكل إنترنت الأشياء، بالإضافة إلى مراقبة الصحة وتكامل القياسات من أجهزة الاستشعار في مواقع متعددة.

معلمون

المؤلفون المراسلون للدراسة هم أستاذ الكيمياء المتميز بجامعة كاليفورنيا في لوس أنجلوس وزميل CNSI جيمس كيمزيوسكي؛ وآدم ستيج، عالم أبحاث بجامعة كاليفورنيا في لوس أنجلوس والمدير المساعد لمركز CNSI؛ زدينكا كونسيتش، أستاذ الفيزياء في جامعة سيدني؛ ورومين تشو، طالب دكتوراه بجامعة سيدني. ومن بين المؤلفين المشاركين الآخرين سام ليلاك، الذي سيحصل على درجة الدكتوراه من جامعة كاليفورنيا في لوس أنجلوس في عام 2022؛ وألون لوفلر وجوزيف ليسير من جامعة سيدني.

التمويل

تم دعم هذه الدراسة من قبل جامعة سيدني ولجنة فولبرايت الأسترالية الأمريكية.

يتعلق الأمر بأخبار أبحاث علم الأعصاب الحسابي

مؤلف: نيكول ويلكنز
مصدر: جامعة كاليفورنيا
اتصال: نيكول ويلكنز – جامعة كاليفورنيا
صورة: يُنسب الفيلم إلى Neuronews

البحث الأصلي: الوصول المفتوح.
“التعلم الديناميكي عبر الإنترنت والذاكرة التسلسلية باستخدام شبكات الأسلاك النانوية العصبيةجيمس كيمزيوسكي وآخرون. التواصل الطبيعي

ملخص

التعلم الديناميكي عبر الإنترنت والذاكرة التسلسلية باستخدام شبكات الأسلاك النانوية العصبية

تنتمي شبكات الأسلاك النانوية (NWNs) إلى فئة ناشئة من الأنظمة العصبية التي يمكنها استغلال الخصائص الفيزيائية الفريدة للمواد ذات البنية النانوية. بالإضافة إلى بنيتها الفيزيائية الشبيهة بالشبكة العصبية، تُظهر شبكات NWN أيضًا تبديلًا مضادًا للذاكرة استجابةً للمدخلات الكهربائية بسبب التغيرات المشابهة للمشبك في التوصيل عند تقاطعات النقاط المتقاطعة بين أسلاك متناهية الصغر وأسلاك متناهية الصغر.

لقد أظهرت الدراسات السابقة كيف يمكن استخدام ديناميكيات الشكل العصبي الناتجة عن شبكات NWN في مهام التعلم الزمنية.

تعمل هذه الدراسة على توسيع هذه النتائج من خلال إظهار التعلم عبر الإنترنت من الميزات الديناميكية الزمانية المكانية باستخدام تصنيف الصور ومهام استدعاء الذاكرة التسلسلية المطبقة على جهاز NWN.

ومن خلال تطبيقه على مهمة تصنيف الأرقام المكتوبة بخط اليد MNIST، يحقق التعلم الديناميكي عبر الإنترنت باستخدام جهاز NWN دقة إجمالية تبلغ 93.4%.

بالإضافة إلى ذلك، نجد علاقة ارتباط بين دقة التصنيف والمعلومات المتبادلة لفئات الأرقام الفردية. تكشف مهمة ذاكرة التسلسل كيف تمكن أنماط الذاكرة المضمنة في الميزات الديناميكية من التعلم عبر الإنترنت واستدعاء التسلسل المكاني.

بشكل جماعي، توفر هذه النتائج دليلًا على التعلم عبر الإنترنت من الديناميكيات الزمانية المكانية باستخدام شبكات NWN وتوضح كيف يمكن للذاكرة تعزيز التعلم.