ტექნოლოგია

3 კომპიუტერი, რომელიც მიბაძავს ადამიანის ტვინს

ᲠᲐ ᲤᲘᲚᲛᲘᲡ ᲡᲐᲜᲐᲮᲐᲕᲐᲓ?

ᲙᲕᲘᲠᲘᲡ ᲓᲦᲔ:

ᲟᲐᲜᲠᲘ:

ᲢᲘᲞᲘ: ᲤᲘᲚᲛᲘ ᲡᲔᲠᲘᲐ

წყარო: Thinkstock

წლების განმავლობაში მკვლევარები მუშაობდნენ კონცეფციაზე, რომელიც ჟღერს ამბიციური სამეცნიერო ფანტასტიკის ფილმს: კომპიუტერები, რომლებიც მიბაძავენ ადამიანის ტვინის ფუნქციებს და სტრუქტურას. მიუხედავად იმისა, რომ კომპიუტერებს, რომლებსაც ყოველდღიურად ვიყენებთ, გრძელი გზა აქვთ მათი სიჩქარის, მეხსიერების და შესაძლებლობების მხრივ, კომპიუტერებს, რომლებიც ადამიანის ტვინის მსგავსი ფუნქციონირებს, შეუძლიათ შეასრულონ ამოცანების ახალი მასივი, როგორიცაა მოქმედი რობოტები, სენსორები, ან თვითმფრინავები და კომპლექსური ანალიტიკური ამოცანების მართვა. რომ კომპიუტერი ამჟამად ვერ აიღებს ვალდებულებას.

წაიკითხეთ მეტი, რომ გაეცნოთ ზოგიერთ კომპიუტერს, რომლებიც ადამიანის ტვინის ფუნქციების იმიტაციას ცდილობდნენ და თუ როგორ გააჩინა ადამიანის ტვინის ჩვენმა მზარდმა გაგებამ ახალი ტიპის მანქანები, რაც საბოლოოდ შეიძლება უფრო ქმედუნარიან და ეფექტურ კომპიუტერებს მიაღწიოს.

DeepMind აშენებს Neural Turing Machine- ს, რომელიც მიბაძავს ტვინის სამუშაო მეხსიერებას

Google– ის DeepMind– მა ააშენა ნეირონული ქსელი, რომელსაც აქვს წვდომა გარე მეხსიერებაზე, როგორც ტურინგის მანქანა. როგორც MIT– ის Technology Review იუწყება, კომპიუტერი მიზნად ისახავს თავის ტვინის ზოგიერთი თვისების მიბაძვას მოკლევადიანი სამუშაო მეხსიერება . კომპიუტერი არის ახალი ტიპის ნერვული ქსელი, რომელიც ადაპტირებულია გარე მეხსიერებასთან მუშაობისთვის. ის სწავლობს, როდესაც ინახავს მოგონებებს და შეუძლია მოგვიანებით დაიბრუნოს ლოგიკური ამოცანების შესასრულებლად - ამოცანები, რომელთა შესრულებაც გაწვრთნილია.

რამდენს იწონის ელი მენინგი

1950-იან წლებში კოგნიტურმა ფსიქოლოგმა, სახელად ჯორჯ მილერმა, აღმოაჩინა, რომ ადამიანის ტვინის მოკლევადიან მეხსიერებას განსაზღვრავს ინფორმაციის მოცულობა. ამის ნაცვლად, მილერის თეორიის თანახმად, სამუშაო მეხსიერებას შეუძლია შეინახოს დაახლოებით შვიდი 'ბლოკი' ინფორმაცია.

'ბლოკები', რომლებსაც მილერის კვლევა ეხებოდა, ერთნიშნა ან ასოდან დაწყებული სიტყვების მცირე ჯგუფამდე იყო. მათ შეუძლიათ წარმოადგინონ ყველაფერი, ძალიან მცირე რაოდენობის ინფორმაციამდე, კომპლექსურ იდეამდე, რაც გაცილებით მეტი ინფორმაციის ტოლფასია, რაც ეფექტურად აძლევს ტვინს მალსახმობას, რომ დაიმახსოვროს დიდი რაოდენობით ინფორმაცია.

Technology Review იუწყება, რომ შემეცნებით მეცნიერებაში წინადადების კომპონენტების გააზრებისა და მათ სამუშაო მეხსიერებაში შენახვის შესაძლებლობას უწოდებენ 'ცვლადი სავალდებულო'. ეს უნარი ტვინს საშუალებას აძლევს მიიღოს ინფორმაცია და მიანიჭოს იგი სამუშაო მეხსიერების ადგილს. ტვინი ამას არაერთხელ აკეთებს.

1990-იან და 2000-იან წლებში კომპიუტერულმა მეცნიერებმა დაიწყეს ალგორითმების, სქემებისა და ნერვული ქსელების შექმნის მცდელობა, რომლებიც ადამიანის ტვინის სამუშაო მეხსიერების იმიტაციას შეძლებენ. ასეთი ტვინის მსგავსი უნარის მქონე კომპიუტერს შეეძლება მარტივი წინადადების გარჩევა, მისი დაყოფა მსახიობად, მოქმედებად და მოქმედების მიმღებად. DeepMind– ის ახალი ნერვული ქსელი იღებს ამ ამოცანას, მაგრამ ასევე ცვლის ნერვული ქსელის ფუნდამენტურ ხასიათს.

ტრადიციულად, ნერვული ქსელი აშენდა დაკავშირებული 'ნეირონების' ნიმუშებით, რომლებსაც შეუძლიათ შეცვალონ მათი კავშირების სიძლიერე გარე შეყვანის საფუძველზე. მათ არ გააჩნიათ გარე მეხსიერება - გამოთვლის პროცესის ფუნდამენტური საფუძველი - რომლის წაკითხვა და წაკითხვა შესაძლებელია გამოთვლის პროცესში. ასე რომ, ალექს გრეივსმა, გრეგ ვეინმა და ივო დანიჰელკამ DeepMind– ში ნერვულ ქსელს დაამატეს გარე მეხსიერება, რომელსაც შემდეგ მათ დაარქვეს Neural Turing Machine.

მიუხედავად იმისა, რომ Neural Turing Machine ისწავლის გარე შეყვანიდან, როგორც ჩვეულებრივი ნერვული ქსელი, ის ასევე ისწავლის ინფორმაციის შენახვასა და აღებას. მას შეუძლია შეისწავლოს მარტივი ალგორითმები მაგალითის მონაცემებიდან, შემდეგ კი გამოიყენოს ეს ალგორითმები, რომ განზოგადდეს მისი ტრენინგის ფარგლებს გარეთ. ეს უნარი წარმოადგენს მნიშვნელოვან ნაბიჯს კომპიუტერების ადამიანის ტვინს უფრო მსგავსი გახდის, ვიდრე ოდესმე.

შემდეგი ნაბიჯები შეიძლება იყოს ტვინის კიდევ ერთი შესაძლებლობის დაძლევა: ინფორმაციის მრავალრიცხოვანი კოდის გადაწერა, რომელზეც მილერმა ისაუბრა ერთ ბლოკად, პროცესში, რომელიც ტვინს საშუალებას მისცემს გააცნობიეროს რთული არგუმენტები. მილერი ამ გადატვირთვის უნარს მიიჩნევს ხელოვნური ინტელექტის საკვანძო მნიშვნელობად და თვლიდა, რომ სანამ კომპიუტერი არ შეძლებდა მის გამრავლებას, ის არასოდეს ემთხვევა ადამიანის ტვინის მუშაობას.

სტენფორდის მკვლევარებმა განავითარეს ნეიროგრიდის წრე, ადამიანის ტვინის შთაგონებით

აპრილში სტენფორდის უნივერსიტეტის ახალი ამბების სამსახურმა განაცხადა, რომ ბიოინჟინრები შეიმუშავა ახალი წრე ადამიანის ტვინზეა მოდელირებული. კვაბენა ბოაჰენმა და მისმა მკვლევარებმა განავითარეს Neurogrid, წრიული დაფა, რომელიც შედგებოდა 16 'Neurocore' ჩიპისგან, რომელსაც შეუძლია 1 მილიონი ნეირონის სიმულაცია და მილიარდობით სინაფსური კავშირი. Neurogrid მოწყობილობას, დაახლოებით iPad– ის ზომის, შეუძლია სიმულაცია უფრო „უფრო მეტი ზომის ნეირონების და სინაფსების”, ვიდრე ეს ტვინის იმიტაციის სხვა კომპიუტერებს შეუძლიათ, ეს ყველაფერი ძალაშია, რაც ტაბლეტის მუშაობას სჭირდება.

Boahen გეგმავს შეამციროს Neurogrid– ის მშენებლობის ხარჯები და შემდეგ შექმნას პროგრამული უზრუნველყოფა, რომელიც საშუალებას მისცემს ინჟინრებს ან კომპიუტერულ მეცნიერებს, რომელთაც არ იციან ნეირომეცნიერება, გადაწყვიტონ ისეთი პრობლემები, როგორიცაა ჰუმანოიდი რობოტი Neurogrid– ით.

ამჟამინდელი ფორმით, მკვლევარებმა უნდა იცოდნენ, როგორ მუშაობს ადამიანის ტვინი 40,000 დოლარიანი პროტოტიპის დასაპროგრამებლად. როგორც ახალი ამბების გამოცემა აღნიშნავს: ”მისი სიჩქარე და დაბალი ენერგიის მახასიათებლები ნეიროგრიდს ქმნის იდეალურს არა მხოლოდ ადამიანის ტვინის მოდელირებისთვის. ბოაჰენი სტენფორდის სხვა მეცნიერებთან ერთად მუშაობს დამბლი ადამიანებისთვის პროთეზირებული კიდურების შესაქმნელად, რომლებსაც გააკონტროლებენ ნეიროკორის მსგავსი ჩიპი. ”

იმისათვის, რომ სისტემა ხელმისაწვდომი ყოფილიყო კვლევაში ფართო გამოყენებისათვის, ბოაჰენი შეცვლიდა წარმოების პროცესს 16 ნეიროკორისთვის, რომელიც თითოეულს 65,536 ნეირონს უჭერს მხარს, რომლებიც 15 წლის ფაბრიკაციის ტექნიკას ეყრდნობოდნენ. უფრო თანამედროვე წარმოების პროცესებზე გადასვლით და ჩიპების დიდი მოცულობით გაყალბებით, მან დააპროექტა, რომ მას შეეძლო Neurocore- ის ღირებულება 100-ჯერ და თეორიულად აეშენებინა მილიონი ნეირონის დაფა მხოლოდ 400 დოლარად თითო ეგზემპლარზე.

IBM– ის SyNAPSE პროექტი იძლევა ნეიროსინაპტიკური TrueNorth ჩიპს

IBM– ის SyNAPSE პროექტში - შემოკლებული თარგმანი Neuromorphic Adaptive Plastic Scalable Electronics– ის სისტემებისათვის - მკვლევარებმა აიღეს კომპიუტერული ჩიპების გადაკეთების ამოცანა, ნეირონების სინაფსური კავშირების შექმნის შესაძლებლობის გამეორების მიზნით. როგორც CNET– მა მაშინ განაცხადა, IBM– მა აგვისტოში გამოაქვეყნა ის, რასაც მსოფლიოში პირველ ნეიროსინაფსურ კომპიუტერულ ჩიპს უწოდებდა, პროცესორი, რომელიც ადამიანის ტვინის იმიტაციას ახდენს შესაძლებლობები და ენერგიის ეფექტურობა .

TrueNorth ჩიპი, საფოსტო მარკის ზომაზე, აერთიანებს 5,4 მილიარდ ტრანზისტორს, 1 მილიონ პროგრამირებად ნეირონს და 256 მილიონ პროგრამირებად სინაფსს. მიუხედავად იმისა, რომ ეს მაჩვენებლები დაბალია 100 მილიარდ ნეირონზე და 100 ტრილიონიდან 150 ტრილიონამდე ადამიანის ტვინში, ეს ჩიპი სუპერკომპიუტერის მსგავს შესაძლებლობებს ჯდება გაცილებით პატარა, უფრო ეფექტურ მიკროპროცესორში.

IBM– ის მთავარმა გამომძიებელმა და უფროსმა მენეჯერმა, დარმანდრა მოდამ CNET– ს განუცხადა, რომ TrueNorth– ს აქვს საკმარისი ნეირონები და სინაფსები მოწყობილობების გასაშვებად, რომლებსაც შეუძლიათ პროაქტიულად გამოაქვეყნონ ცუნამის სიგნალები, ნავთობის დაღვრის სრული მონიტორინგი ან გადაზიდვის ზოლის წესების დაცვა, რაც დაახლოებით იგივე ენერგიით მუშაობს სასმენი აპარატით.

CNET იუწყება, რომ უხეში ძალის მათემატიკური გამოთვლებით პრობლემების გადაჭრის ნაცვლად, TrueNorth ჩიპი შეიქმნა მისი გარემოს გასაგებად, გაურკვევლობის მოსაგვარებლად და რეალურ დროში ზომების მისაღებად. პოტენციური პროგრამები შეიძლება მოიცავდეს საძიებო და სამაშველო რობოტების ჩართვას, მხედველობის დაქვეითების მქონე ადამიანების უსაფრთხო გადაადგილებას, ან შეხვედრაზე ხმების გარჩევას და თითოეული სპიკერისთვის ზუსტი ჩანაწერების შექმნას.

მიუხედავად იმისა, რომ TrueNorth ჩიპი ჯერ კიდევ პროტოტიპის ფაზაშია, მისი პირველი კომერციული გამოყენებიდან შეიძლება მხოლოდ ორიდან სამი წელი დარჩეს. შესაძლებელია TrueNorth ჩიპმა ან მისმა ახალმა ინოვაციამ დაეხმაროს ფონ ნეიმანის არქიტექტურის შეზღუდვების გადალახვაში, რომელიც 1948 წლის შემდეგ შექმნილი თითქმის ყველა კომპიუტერის ბირთვს ქმნიდა.

ტურინგის აპარატისგან განსხვავებით, ფონ ნიუმანის არქიტექტურაზე დაფუძნებულ მანქანას აქვს შემთხვევითი წვდომის მეხსიერება (RAM), რაც საშუალებას აძლევს თითოეულ ოპერაციას წაიკითხოს ან დაწეროს მეხსიერების ნებისმიერი ადგილი. მას ასევე აქვს ცენტრალური დამუშავების განყოფილება (CPU), სადაც მუშაობს ერთი ან მეტი რეგისტრი, რომელიც ინახავს მონაცემებს. იმის გამო, რომ პროცესორი და მეხსიერება ცალკეულია და მონაცემები მუდმივად მოძრაობს მათ შორის, შეფერხებები გარდაუვალია. რაც არ უნდა სწრაფად მუშაობდეს პროცესორი, მანქანის მუშაობა შემოიფარგლება პროცესორსა და მეხსიერებას შორის გადაცემის სიჩქარით.

როგორც New York Times– მა იტყობინება, როდესაც IBM– მა TrueNorth– მა გამოაქვეყნა, იდეა იმის შესახებ, რომ ნერვული ქსელები შეიძლება იყოს ინფორმაციის დამუშავების სასარგებლო ინსტრუმენტი, არსებობდა მე –20 საუკუნის 40 – იანი წლებიდან, თანამედროვე კომპიუტერების გამოგონებამდე, მაგრამ სულ ცოტა ხნის წინ - მეხსიერების მოცულობის მიღებისა და დამუშავების წყალობით. სიჩქარე - გახდა ნერვული ქსელები მძლავრი გამოთვლითი საშუალებები . Google- მა, Microsoft- მა და Apple- მა გამოიყენეს ნიმუშების ამოცნობა ნერვული ქსელების მიერ, ისეთი სერვისების გასაუმჯობესებლად, როგორიცაა ხმის ამოცნობა და ფოტოების კლასიფიკაცია.

TrueNorth– ით IBM– ს სურს კომპიუტერები გადააჭარბოს მათთვის დამახასიათებელ „მარცხენა ტვინის“ მათემატიკურ ამოცანებს, რათა შეასრულოს „მარჯვენა ტვინი“ სენსორული დამუშავების ფუნქციები ძალიან მცირე ენერგიით. ეს საშუალებას მისცემს მანქანებში ან სმარტფონებში დაინსტალირებულ ჩიპებს გაანგარიშება რეალურ დროში, ინტერნეტის გარეშე.

ამჟამად მრავალი სხვა ტვინის შთაგონებული პროექტი მიმდინარეობს

მრავალფეროვანი სხვა პროექტებიც სხვადასხვა ეტაპზეა, როდესაც ცდილობენ კომპიუტერის საშუალებით მიბაძონ ადამიანის ტვინის ფუნქციებს. ევროკავშირის ადამიანის ტვინის პროექტი მაგალითად, 10 წლიანი საქმიანობაა, რომლის მიზნებია ნეირომორფული გამოთვლითი და ნეირორობოტიკური სისტემების განვითარება, აგრეთვე ადამიანის ტვინის სიმულაცია სუპერკომპიუტერზე. აშშ-ს BRAIN პროექტი - მოკლე აღწერა ტვინის კვლევა ინოვაციური ნეიროტექნოლოგიების განვითარების გზით - იწვევს მეცნიერებს ახალი ტიპის ინსტრუმენტების შესაქმნელად, ტვინის ათასობით ან თუნდაც მილიონობით ნეირონის აქტივობის გასაცნობად და საქმიანობის კომპლექსური ფორმების მიხედვით.

ZDNet იუწყება, რომ მელბურნის RMIT უნივერსიტეტის მკვლევარებმა ააშენეს ა მონაცემთა შენახვის ნანო სტრუქტურა რაც ადამიანის ტვინის იმიტაციას ახდენს, ოქსიდის მასალის ფილმი 10 000 – ჯერ უფრო თხელია, ვიდრე ადამიანის თმა. მეხსიერების ქცევა დამოკიდებულია მის წარსულ გამოცდილებაზე და კვლევის მიზანია დაეხმაროს კარი გახსნას ახალი მასალების შესწავლისთვის, როდესაც ფლეშ მეხსიერება ახლოვდება მასშტაბის ზღვარს.

რომელმაც ითამაშა მარკუს ალენი

ჰაიდელბერგის უნივერსიტეტის BrainScales პროექტის ფარგლებში, მკვლევარები ვითარდებიან ანალოგური ჩიპები, რომლებიც მიბაძავენ ნეირონების და სინაფსების ქცევას. HICANN ჩიპი - მოკლე შემოტანის ანალოგური ნერვული ქსელის შემოკლებით - დააჩქარებს თავის ტვინის სიმულაციებს, რაც მკვლევარებს საშუალებას მისცემს მოახდინონ წამლის ურთიერთქმედების სიმულაცია, რომელთა შესრულებასაც შეიძლება თვეები დასჭირდეს.

როგორც ComputerWorld იტყობინება მაისში, სანდიას ეროვნული ლაბორატორიების მკვლევარები ატარებენ გრძელვადიან პროექტს ნეირო ინსპირირებული კომპიუტერების შესაქმნელად, რომლებიც გაერთიანდება დამუშავებასა და მეხსიერებას ერთ არქიტექტურაში, ამიტომ მონაცემები დამუშავდება და ინახება აპარატის იგივე კომპონენტებით. სანდია ამბობს, რომ მკვლევარებს საშუალება ექნებათ შექმნან ეს არქიტექტურა მომდევნო რამდენიმე წლის განმავლობაში, მაგრამ კომერციული პროგრამები, სავარაუდოდ, ჯერ კიდევ წლებია.

Gizmodo– ს ცნობით, ციურიხის უნივერსიტეტისა და ციტიხის ETH– ის მკვლევარებმა 11,011 ელექტროდი ააშენეს 2 – მილიმეტრიან – 2 – მილიმეტრიან სილიციუმზე, შექმნეს მიკროჩიპი, რომელიც მიბაძავს ადამიანის ტვინს, შექმნა მიკროჩიპი, რომელსაც შეუძლია „იგრძნოს“ და სრული კომპლექსი სენსომოტორული ამოცანები ქსელის შემეცნებითი შესაძლებლობების გამოყენებით.

მიუხედავად იმისა, რომ მონუმენტური ამოცანა იქნება კომპიუტერის შექმნა, რომელიც ნამდვილად მოიქცევა ადამიანის ტვინის მსგავსად, მეცნიერებმა სხვადასხვა დისციპლინიდან და ფონიდან აჩვენეს, რომ ისინი გამოწვევას ემსახურებიან. ამჟამად მიმდინარე პროექტების მასშტაბი და ამბიცია ფართოა და გლობალური ძალისხმევა კომპიუტერების შესაქმნელად, რომლებიც ადამიანის ტვინს მიბაძავენ, სავარაუდოდ, გააგრძელებს მომხიბლავი გამოგონებებისა და ახალი არქიტექტურისა და მასალების წარმოდგენას, რათა კომპიუტერი უფრო ძლიერი და ქმედითი გახდეს.