دانشمندان به کمک ترانزیستورهای سیناپسی جدید در آینده ماشینی خواهند ساخت که حافظه و استدلال دارد.
دانشمندان می‌گویند برای نخستین بار موفق شده‌اند یک ترانزیستور سیناپسی بسازند که در دمای اتاق کار می‌کند. پیش از این، ترانزیستورهای سیناپسی تنها می‌توانستند در دماهای بسیار پایین کار کنند.
به گزارش ایران جیب از لایوساینس، این ترانزیستور از بهترین سامانه‌های یادگیری ماشینی موجود نیز بهتر عمل می‌کند. ترانزیستور سیناپسی جدید می‌تواند مانند مغز انسان اطلاعات را ذخیره و پردازش کند و دسته‌ای از اعمال شناختی را که بسیاری از سامانه‌های هوش مصنوعی امروزی با آن‌ها درگیرند انجام دهد.
به گفته دانشمندان، این فناوری درواقع ساختار و عملکرد مغز انسان را تقلید می‌کند. به‌عبارت دیگر، این ترانزیستور به شکلی کار می‌کند که توان پردازش و حافظه در آن کاملا یکپارچه‌‌اند و با ساختار محاسباتی متداول که در آن پردازنده و حافظه اجزای فیزیکی جداگانه‌ای به شمار می‌روند متفاوت است.
مارک هرسام، استاد علم مواد، مهندسی و محاسبات در دانشگاه نورث‌وسترن و یکی از دانشمندان سرپرست این پژوهش، می‌گوید که ساختار مغز به‌طورکلی با یک رایانه دیجیتال متفاوت است.
به گفته او، داده‌ها در یک رایانه دیجیتال بین یک میکرو پردازنده و حافظه جابه‌جا می‌شوند و این کار انرژی زیادی مصرف می‌کند و در زمان انجام چند کار به‌طور هم‌زمان نیز مانع ایجاد می‌کند.
دانشمندان در مقاله‌ای که در این زمینه روز ۲۰ دسامبر در مجله نیچر نوشته‌اند می‌گویند ترانزیستور سیناپسی به دلیل یکپارچه کردن توان محاسباتی و حافظه، می‌تواند ازنظر کارایی انرژی به‌طور قابل‌توجهی بهتر باشد و داده‌ها را با سرعت فوق‌العاده بیشتری جابه‌جا کند.
به گفته آن‌ها، امروز به این نوع جدید از ساختار محاسباتی نیاز داریم، چراکه تکیه بر قطعات الکترونیکی معمول درحالی‌که در عصر داده‌های بزرگ (بیگ‌دیتا) به سر می‌بریم کافی نیست.
دانشمندان می‌گویند امروزه تقاضای بسیاری برای کارهای محاسباتی هوش مصنوعی وجود دارد و این مستلزم صرف انرژی بسیار است و دیگر نمی‌توان بر قطعات الکترونیکی رایج تکیه کرد.
دانشمندان پیش از این نیز ترانزیستورهای سیناپسی ساخته بودند، اما آن ترانزیستورها تنها در دماهای بسیار سرد کار می‌کردند. در ترانزیستور جدید از موادی استفاده شده است که در دمای اتاق کار می‌کنند.
در قطعات الکترونیکی رایج، ترانزیستورها روی یک ویفر سیلیکونی (یک برش نازک از سیلیکون) قرار می‌‌گیرند، اما پژوهشگران در ترانزیستور سیناپسی جدید، گرافن دولایه (بی‌ال‌جی) و نیترید بورون هگزاگونال را روی هم چیده‌اند و آن‌ها را عامدانه چرخانده‌اند تا الگویی به نام طرح مویره [ماره] (Moiré pattern) ایجاد کنند.
زمانی که آن‌ها یک لایه را نسبت به لایه دیگر چرخاندند، ویژگی‌های الکترونیکی جدیدی ظاهر شد که پیش از آن در هیچ‌کدام از لایه‌ها به‌صورت جداگانه وجود نداشت. برای به کار انداختن ترانزیستور در دمای اتاق، استفاده از درجه خاصی از چرخش و به‌عبارتی تطابق تقریبا کامل بین گرافن دولایه (بی‌ال‌جی) و نیترید بورون هگزاگونال لازم بود.
محققان تراشه را با آموزش داده‌ها به آن آزمایش کردند تا بتواند الگوها را تشخیص دهد. سپس توالی جدید ناهمسانی را که شبیه به داده‌های آموزشی بودند به تراشه نشان دادند. این فرایند که با عنوان «یادگیری انجمنی» شناخته می‌شود، فرایندی است که اغلب سامانه‌های یادگیری ماشینی نمی‌توانند آن را به‌خوبی انجام دهند.
در موجودات زنده، یادگیری انجمنی به توانایی یادگیری و ایجاد خاطرات گفته می‌شود که به آن‌ها امکان می‌دهد رفتار خود را بر اساس تجربیات پیشین تطبیق دهند و چیزی در مورد ارتباط میان دو رویداد متمایز بیاموزند.
هرسام می‌گوید کمترین کاری که هوش مصنوعی باید در تقلید از فکر و ذهن انسان انجام دهد دسته‌بندی داده‌ها است. به گفته او، هدف این تیم تحقیقاتی پیشبرد فناوری هوش مصنوعی به مراحل بالاتر از این است. به باور هرسام، شرایط واقعی اغلب پیچیده‌تر از آن است که الگوریتم‌های فعلی هوش مصنوعی بتوانند با آن‌ها کنار بیایند. ازاین‌رو هرسام و تیم او سامانه‌های خود را تحت شرایط پیچیده‌تری آزمایش کردند تا توانایی‌های پیشرفته خود را نشان دهند.
پژوهشگران در یک تمرین، به هوش مصنوعی آموزش دادند تا دنباله ۰۰۰ را بررسی کند. آن‌ها سپس از هوش مصنوعی خواستند الگوهای مشابه را شناسایی کند، برای نمونه توالی‌های مانند ۱۱۱ و ۱۰۱ را به هوش مصنوعی ارائه کردند. با وجود آن‌که دنباله‌های ۰۰۰ و ۱۱۱ یکسان نیستند، اما هوش مصنوعی به‌درستی دریافت که هر دوی آن‌ها سه رقم پشت سر هم دارند و از این نظر به هم شبیه‌اند.
این عمل به نظر ساده می‌آید، اما ابزارهای هوش مصنوعی امروزی هنوز با این نوع استدلال‌های شناختی مشکل دارند. در آزمایش‌های بیشتر، پژوهشگران داده‌های غیرمنتظره و ناگهانی را به هوش مصنوعی دادند و الگوهای ناقصی را در اختیارش گذاشتند، ولی هوش مصنوعی که از تراشه ابداعی دانشمندان استفاده می‌کند همچنان یادگیری انجمنی را نشان داد.
هرسام در گفت‌وگو با لایوساینس می‌گوید آن‌ها تاکنون ترانزیستور سیناپسی الگوی مویره (ماره) را با گرافن دولایه (بی‌ال‌جی) و نیترید بورون هگزاگونال پیاده‌سازی کرده‌اند. اما به گفته او، مواد دو بعدی دیگری نیز وجود دارند که می‌توانند با ساختارهای مویره دیگری ترکیب شوند و این تازه شروع کار در زمینه نوظهور محاسبات مهندسی نورومورفیک بر مبنای الگوی مویره است.
نورومورفیک یا محاسبات عصبی به استفاده از مدارهای آنالوگ الکترونیکی برای شبیه‌سازی ساختار عصبی و بیولوژیکی سیستم عصبی گفته می‌شود.
به گفته هرسام، ویژگی‌هایی که دانشمندان در این ترانزیستور آزمایشی مشاهده کردند می‌تواند نویدبخش ظهور نسل‌های آینده این فناوری باشد تا بتوان از آن در ساخت تراشه‌هایی با کارایی بالا استفاده کرد و درنهایت در سامانه‌های پیشرفته هوش مصنوعی و یادگیری ماشینی به کار گرفت.