مدل سازی هوش مصنوعی بر روی زبان مدارها و معماری مغز

در مقاله Science که اخیرا منتشر شده ، لیکون لو، استاد زیست‌شناسی و زیست‌شناسی عصبی دانشگاه استنفورد، درک کنونی ما از مدارهای عصبی در مغز و نحوه تطبیق آنها با هم در معماری مغز را خلاصه می‌کند. این بررسی همچنین فرصت‌های بیشتری را برای هوش مصنوعی برای یادگیری از علوم اعصاب پیشنهاد می‌کند.

بررسی لیکون لو با عنوان «معماری مدارهای عصبی» از آخرین ویرایش دوم کتاب درسی محبوب او، اصول زیست‌شناسی عصبی، الهام گرفته شده است. لو در ترکیب آخرین تحقیقات در مورد ساختار، عملکرد، توسعه و تکامل مدارهای مغزی، یک چارچوب فکری فراگیر برای درک فعلی ما از سازماندهی مغز ارائه می‌کند. او همچنین بحث می‌کند که چگونه فناوری‌های جدید می‌توانند به ادغام این درک در مقیاس‌ها – از نورون‌های فردی گرفته تا شبکه‌های سراسر مغز – و همچنین تأثیر این دانش رو به رشد بر روی نسل بعدی تحقیقات هوش مصنوعی کمک کنند.

پیام لو به محققان هوش مصنوعی این است: دانشمندان علوم اعصاب هنوز راه درازی برای درک موتیف‌ها و معماری‌های مدارهای مختلف در مغز و نحوه تعامل آن‌ها با یکدیگر دارند، اما زمینه‌ای فراهم شده است تا محققان هوش مصنوعی استفاده از تنوع بیشتری از موتیف‌ها و معماری‌ها را نسبت به آنچه در حال حاضر انجام می‌دهند در نظر بگیرند – و شاید حتی چندین معماری مدار را به یکدیگر متصل کنند تا انواعی از مغزها را ایجاد کنند.

از نورون ها گرفته تا نقوش مدار و معماری

لیکون لو ساختار مغز را به اجزای سازنده زبان تشبیه می کند. اگر تک تک نورون ها حروف باشند، نقوش مدار کلماتی هستند که آنها می نویسند و معماری مدار جملاتی هستند که توسط یک سری کلمات ایجاد می شوند. به گفته لو، در هر سطح، محققان هوش مصنوعی از درک بهتری از نحوه اتصال و ارتباط بخش‌های مختلف مغز با یکدیگر بهره خواهند برد.

الگوهای اتصال سیناپسی – روش‌هایی که نورون‌ها به نورون‌های دیگر متصل می‌شوند – اولین سطح از اصول پردازش اطلاعات تعمیم‌یافته را در مغز بیان می‌کنند – نقوش مدار. اینها شامل برخی از اساسی‌ترین انواع مدارهای عصبی، مانند برانگیختگی پیش‌خور، هستند که در برخی از اولین شبکه‌های عصبی مصنوعی که تا به حال توسعه یافته‌اند، شامل پرسپترون‌ها و شبکه‌های عصبی عمیق گنجانده شده‌اند.

اما لو موتیف های دیگری را نیز توصیف می کند، از جمله بازداری بازخورد، بازداری جانبی و بازداری متقابل. اگرچه این نقوش ممکن است در سیستم‌های هوش مصنوعی که از یادگیری بدون نظارت استفاده می‌کنند، جایی که وزن‌ها در طول فرآیند یادگیری تخصیص و تنظیم می‌شوند، به وجود بیایند، لو در این فکر است که آیا گنجاندن عمدی این موتیف‌ها در معماری سیستم‌های هوش مصنوعی می‌تواند به بهبود عملکرد آنها کمک کند.

لو می‌گوید در یک سطح بالاتر از نقوش مدار، «جملاتی» هستند که این نقوش هنگام سازماندهی با هم در ساختارهای خاص مغز ایجاد می‌کنند. به عنوان مثال، نقشه برداری توپوگرافی پیوسته معماری است که در آن واحدهای مجاور در یک لایه مغز به واحدهای مجاور در لایه بعدی متصل می شوند. این رویکرد در سیستم‌های هوش مصنوعی که از شبکه‌های عصبی کانولوشنال استفاده می‌کنند، گنجانده شده است. به طور مشابه، پردازش موازی نوعی معماری مدار عصبی است که به طور گسترده در محاسبات به طور کلی و همچنین در انواع سیستم‌های هوش مصنوعی مورد استفاده قرار گرفته است.

یک معماری مدار مهم دیگر گسترش ابعاد است که در آن ورودی‌های یک لایه با تعداد واحدهای کم به یک لایه میانی با تعداد واحدهای بسیار بیشتر متصل می‌شوند، به طوری که تفاوت‌های ظریف در لایه ورودی در لایه میانی برای تشخیص لایه خروجی آشکارتر می‌شود. همچنین شبکه‌های مکرر مهم هستند که در آنها نورون‌ها اغلب از طریق واسطه‌ها به خودشان متصل می‌شوند. مغز هم بسط ابعاد و هم پردازش مکرر را به روشی بسیار ساختار یافته در مناطق مختلف به هم متصل می کند. درک و بهره برداری از اصول طراحی حاکم بر این ترکیبات موتیف مدار می تواند به هوش مصنوعی کمک کند.

به طور کلی، لو می‌گوید: «با استفاده از استعاره زبانم، می‌توانم بگویم که محققان هوش مصنوعی تمایل دارند از حروف استفاده کنند و مستقیماً به مقاله‌ها بدون نوشتن کلمات و جملات بین آن‌ها بپرند.» در اصل، او می‌گوید، بدون دانستن واسطه‌ها، آنها همچنان با استفاده از نیروی بی رحم و قدرت محاسباتی زیاد، کارها را به کار می‌گیرند. شاید علوم اعصاب بتواند به محققان هوش مصنوعی کمک کند تا این را باز کنن

مدل سازی هوش مصنوعی بر روی  مدارهای زبان و معماری مغز به عنوان یک حوزه پژوهشی در حال توسعه است. در این حوزه، تلاش برای شبیه سازی رفتار مغز و ایجاد شبکه های عصبی مصنوعی برای پردازش اطلاعات، به منظور بهبود کارایی سیستم های هوشمند، صورت می گیرد. با توسعه این حوزه، امیدواریم که بتوانیم به طور موثر تری از هوش مصنوعی در بسیاری از زمینه ها استفاده کنیم

اهمیت مدل‌سازی هوش مصنوعی بر روی مدارهای زبان و معماری بصری نورون‌های مغز در پتانسیل ایجاد سیستم‌های هوش مصنوعی کارآمدتر و مؤثرتر است. که برای مثال کمک شایانی به درمان نوین اسکیزوفرنی می کند همچنین با مطالعه ساختار و عملکرد نورون ها در مغز، محققان می توانند الگوریتم ها و معماری هایی را توسعه دهند که فرآیندهای طبیعی مغز را تقلید می کند. این رویکرد که به عنوان محاسبات نورومورفیک شناخته می‌شود، پتانسیل ایجاد انقلابی در هوش مصنوعی را دارد و ماشین‌ها را قادر می‌سازد تا مانند انسان‌ها بیشتر یاد بگیرند و سازگار شوند. علاوه بر این، مدل‌سازی هوش مصنوعی بر اساس زبان مدارها می‌تواند منجر به سیستم‌های با انرژی کارآمدتر شود، زیرا مدارها برای به حداقل رساندن مصرف انرژی طراحی شده‌اند. به طور کلی، مدل‌سازی هوش مصنوعی بر روی مدارهای زبان و معماری بصری نورون‌ها، پتانسیل بهبود عملکرد، کارایی و سازگاری سیستم‌های هوش مصنوعی را دارد.

” بهترین مرکز آر تی ام اس در تهران “

چگونه این رویکرد می تواند به بهبود فناوری هوش مصنوعی کمک کند؟

رویکرد مدل‌سازی هوش مصنوعی بر روی مدار و معماری بصری نورون‌های مغز می‌تواند به طور بالقوه به پیشرفت‌های قابل توجهی در فناوری هوش مصنوعی منجر شود. با تقلید از روشی که مغز اطلاعات را پردازش می کند، سیستم های هوش مصنوعی می توانند کارآمدتر، سازگارتر و قادر به انجام وظایف پیچیده تر شوند. این رویکرد همچنین می‌تواند منجر به توسعه شبکه‌های عصبی پیشرفته‌تر و الگوریتم‌های یادگیری ماشینی شود که می‌توانند در زمان واقعی، مشابه نحوه عملکرد مغز، یاد بگیرند و تطبیق دهند. علاوه بر این، این رویکرد ممکن است منجر به توسعه سیستم‌های هوش مصنوعی بیشتر شبیه انسان شود که می‌توانند به طور طبیعی و مؤثرتر با مردم تعامل داشته باشند.

محققان در مدل سازی هوش مصنوعی بر اساس ساختار و عملکرد مغز با چه چالش هایی روبرو هستند؟

یکی از چالش های اصلی که محققان در مدل سازی هوش مصنوعی بر اساس ساختار و عملکرد مغز با آن مواجه هستند، پیچیدگی خود مغز است. مغز انسان به طرز باورنکردنی پیچیده است، با میلیاردها نورون و تریلیون ها ارتباط بین آنها. علاوه بر این، مغز قادر به پردازش اطلاعات به صورت موازی است، در حالی که اکثر مدل های فعلی هوش مصنوعی برای پردازش اطلاعات به صورت متوالی طراحی شده اند.

چالش دیگر این است که مغز هنوز به طور کامل درک نشده است. در حالی که محققان در درک جنبه های خاصی از مغز پیشرفت قابل توجهی داشته اند، هنوز چیزهای زیادی در مورد نحوه عملکرد آن در سطح اساسی وجود دارد. این عدم درک می تواند ایجاد مدل های دقیقی را که رفتار مغز را تقلید می کند، دشوار کند.

در نهایت، محدودیت های تکنولوژیکی نیز وجود دارد که محققان باید بر آنها غلبه کنند. برای مثال، قدرت محاسباتی فعلی ممکن است برای شبیه سازی پیچیدگی مغز در زمان واقعی کافی نباشد. علاوه بر این، جمع‌آوری و تجزیه و تحلیل داده‌ها از مغز فرآیندی چالش‌برانگیز و زمان‌بر است که می‌تواند میزان داده‌های موجود را برای پژوهشگران محدود کند.

آیا نگرانی های اخلاقی بالقوه ای در ارتباط با این نوع تحقیقات وجود دارد؟

بله، ممکن است نگرانی های اخلاقی بالقوه ای در ارتباط با این نوع تحقیقات وجود داشته باشد. حوزه هوش مصنوعی و علوم اعصاب سوالاتی را در مورد حریم خصوصی، حفاظت از داده ها و سوء استفاده احتمالی از این فناوری ایجاد می کند. به طور خاص، استفاده از هوش مصنوعی در مدل‌سازی مدارهای مغز و شبکه‌های عصبی می‌تواند منجر به ایجاد رابط‌های پیشرفته مغز و ماشین شود که به طور بالقوه می‌توانند برای اهداف تهاجمی مانند کنترل ذهن یا نظارت مورد استفاده قرار گیرند. علاوه بر این، ممکن است نگرانی هایی در مورد استفاده از آزمایش حیوانی در این نوع تحقیقات وجود داشته باشد. برای محققان مهم است که این پیامدهای اخلاقی را در نظر بگیرند و اطمینان حاصل کنند که کار آنها به شیوه ای اخلاقی و مسئولانه انجام می شود.

مقاله “Modeling Artificial Intelligence on the Language of Circuits and Visual Architecture of Neurons in the Brain” نوشته Catherine Miller که در HAI Stanford در تاریخ 3 سپتامبر 2021 ارائه شده است.

کتاب “Neuromorphic Computing: From Materials to Circuits and Systems” نوشته Massimiliano Di Ventra و Yuriy V. Pershin.

مقاله “Neuromorphic Computing Gets Ready for the (Really) Big Time” نوشته Katherine Bourzac که در مجله MIT Technology Review منتشر شده است.

مقاله “Neuromorphic Computing: The Future of Artificial Intelligence?” نوشته Michael Harkin که در مجله IEEE Spectrum منتشر شده است.