يمكن للرقاقة العصبية المتصاعدة الجديدة أن تبشر بعصر من الذكاء الاصطناعي عالي الكفاءة

عندما يتعلق الأمر بحوسبة الدماغ، فالتوقيت هو كل شيء. إنها الطريقة التي ترتبط بها الخلايا العصبية في الدوائر. إنها الطريقة التي تعالج بها هذه الدوائر البيانات المعقدة للغاية، مما يؤدي إلى أفعال قد تعني الحياة أو الموت. إنها الطريقة التي يمكن بها لأدمغتنا اتخاذ قرارات في أجزاء من الثانية، حتى عندما تواجه ظروفًا جديدة تمامًا. ونحن نفعل ذلك دون أن نحرق الدماغ بسبب الاستهلاك المكثف للطاقة.

لإعادة الصياغة، يشكل الدماغ مثالًا ممتازًا لجهاز كمبيوتر قوي للغاية يمكن تقليده، وقد اتخذ علماء ومهندسو الكمبيوتر الخطوات الأولى نحو القيام بذلك. يتطلع مجال الحوسبة العصبية إلى إعادة إنشاء بنية الدماغ وقدرات معالجة البيانات باستخدام رقائق الأجهزة الجديدة وخوارزميات البرامج. قد يكون طريقا نحو الحقيقة الذكاء الاصطناعي.

ولكن هناك عنصر واحد حاسم غير موجود. تهتم معظم الخوارزميات التي تشغل الرقائق العصبية فقط بمساهمة كل خلية عصبية اصطناعية، أي مدى قوة اتصالها ببعضها البعض، وهو ما يطلق عليه "الوزن المتشابك". إن ما نفتقده – والذي يرقى إلى مستوى العمل الداخلي لعقلنا – هو التوقيت.

هذا الشهر، أضاف فريق تابع لمشروع الدماغ البشري، وهو المشروع الرائد في الاتحاد الأوروبي في مجال علم الأعصاب القائم على البيانات الضخمة، عنصر الوقت إلى خوارزمية عصبية. ثم تم تنفيذ النتائج على الأجهزة المادية — مقياس الدماغ S-2 منصة ذات شكل عصبي - وتتنافس مع أحدث وحدات معالجة الرسومات والحلول العصبية التقليدية.

قال المؤلفون: "بالمقارنة مع الشبكات العصبية المجردة المستخدمة في التعلم العميق، فإن النماذج الأولية البيولوجية ... لا تزال متخلفة من حيث الأداء وقابلية التوسع" بسبب تعقيدها المتأصل.

في العديد من الاختبارات، قارنت الخوارزمية "بشكل إيجابي، من حيث الدقة وزمن الوصول وكفاءة الطاقة" مع اختبار قياسي قياسي، محمد الدكتورة شارلوت فرنكل من جامعة زيورخ وETH زيورخ في سويسرا، والتي لم تشارك في الدراسة. ومن خلال إضافة مكون زمني إلى الحوسبة العصبية، يمكننا الدخول في عصر جديد من الذكاء الاصطناعي عالي الكفاءة الذي ينتقل من مهام البيانات الثابتة - على سبيل المثال، التعرف على الصور - إلى مهمة تلخص الوقت بشكل أفضل. فكر في مقاطع الفيديو أو الإشارات الحيوية أو الكلام من الدماغ إلى الكمبيوتر.

بالنسبة للمؤلف الرئيسي الدكتور ميهاي بيتروفيتشي، فإن الإمكانات تسير في كلا الاتجاهين. "إن عملنا ليس مثيرًا للاهتمام فقط فيما يتعلق بالحوسبة العصبية والأجهزة المستوحاة بيولوجيًا. كما أنها تعترف بالحاجة إلى نقل ما يسمى بمناهج التعلم العميق إلى علم الأعصاب وبالتالي الكشف عن أسرار الدماغ البشري. محمد.

دعونا نتحدث المسامير

يوجد في جذر الخوارزمية الجديدة مبدأ أساسي في حوسبة الدماغ: المسامير.

دعونا نلقي نظرة على الخلايا العصبية المستخرجة للغاية. إنها مثل لفة توتسي، مع قسم أوسط منتفخ يحيط به غلافان يصلان إلى الخارج. أحد الجوانب هو المدخلات، وهي عبارة عن شجرة معقدة تستقبل إشارات من خلية عصبية سابقة. والآخر هو الإخراج، وإرسال الإشارات إلى الخلايا العصبية الأخرى باستخدام سفن تشبه الفقاعات مملوءة بالمواد الكيميائية، والتي بدورها تؤدي إلى استجابة كهربائية على الطرف المتلقي.

هذا هو جوهر الأمر: لكي يحدث هذا التسلسل بأكمله، يجب أن "ترتفع" الخلية العصبية. إذا، وفقط إذا، تلقت الخلية العصبية مستوى عال بما فيه الكفاية من المدخلات - وهي آلية مدمجة بشكل جيد لتقليل الضوضاء - فإن الجزء المنتفخ سيولد ارتفاعًا ينتقل عبر قنوات الإخراج لتنبيه الخلية العصبية التالية.

لكن الخلايا العصبية لا تستخدم مجرد ارتفاع واحد لنقل المعلومات. بل إنها ترتفع في تسلسل زمني. فكر في الأمر مثل شفرة مورس: توقيت حدوث انفجار كهربائي يحمل ثروة من البيانات. إنه أساس توصيل الخلايا العصبية إلى دوائر وتسلسلات هرمية، مما يسمح بمعالجة ذات كفاءة عالية في استخدام الطاقة.

فلماذا لا نتبنى نفس الإستراتيجية مع أجهزة الكمبيوتر العصبية؟

شريحة تشبه الدماغ المتقشف

بدلًا من رسم نتوءات خلية عصبية اصطناعية واحدة - وهي مهمة شاقة - ركز الفريق على مقياس واحد: المدة التي تستغرقها الخلية العصبية لتنطلق.

الفكرة وراء كود "الوقت حتى الارتفاع الأول" بسيطة: كلما استغرقت الخلية العصبية وقتًا أطول في الارتفاع، انخفضت مستويات نشاطها. بالمقارنة مع حساب عدد المسامير، فهي طريقة قليلة للغاية لتشفير نشاط الخلية العصبية، ولكنها تأتي مع امتيازات. ونظرًا لأن زمن الوصول فقط إلى المرة الأولى التي يتم فيها استخدام امتيازات الخلايا العصبية لتشفير التنشيط، فإنه يلتقط استجابة الخلايا العصبية دون إغراق الكمبيوتر بعدد كبير جدًا من نقاط البيانات. وبعبارة أخرى، فهو سريع، وموفر للطاقة، وسهل.

قام الفريق بعد ذلك بتشفير الخوارزمية على شريحة عصبية الشكل مقياس الدماغ S-2، الذي يحاكي تقريبًا "الخلايا العصبية" البسيطة داخل بنيته، ولكنه يعمل أسرع بأكثر من 1,000 مرة من أدمغتنا البيولوجية. تحتوي المنصة على أكثر من 500 خلية عصبية اصطناعية، كل منها قادر على استقبال 256 مدخلاً من خلال نقاط الاشتباك العصبي القابلة للتكوين، حيث تقوم الخلايا العصبية البيولوجية بتبادل المعلومات ومعالجتها وتخزينها.

الإعداد هجين. يتم تحقيق "التعلم" على شريحة تنفذ خوارزمية تعتمد على الوقت. ومع ذلك، فإن أي تحديثات للدائرة العصبية - أي مدى قوة اتصال خلية عصبية بأخرى - يتم تحقيقها من خلال محطة عمل خارجية، وهو ما يسمى "التدريب داخل الحلقة".

في الاختبار الأول، تم تحدي الخوارزمية بمهمة "Yin-Yang"، والتي تتطلب من الخوارزمية تحليل مناطق مختلفة في الرمز الشرقي التقليدي. وكانت الخوارزمية متفوقة، بمتوسط ​​دقة 95 بالمائة.

بعد ذلك، تحدى الفريق الإعداد بمهمة التعلم العميق الكلاسيكية —منيست، مجموعة بيانات من الأرقام المكتوبة بخط اليد والتي أحدثت ثورة في رؤية الكمبيوتر. وتفوقت الخوارزمية مرة أخرى، بدقة بلغت 97 بالمائة تقريبًا. والأكثر إثارة للإعجاب هو أن نظام BrainScaleS-2 استغرق أقل من ثانية واحدة لتصنيف 10,000 عينة اختبار، مع استهلاك منخفض للغاية للطاقة النسبية.

ومن خلال وضع هذه النتائج في السياق، قام الفريق بعد ذلك بمقارنة أداء BrainScaleS-2 - المسلح بالخوارزمية الجديدة - مع المنصات التجارية وغيرها من المنصات العصبية. يأخذ سبينناكر، وهي بنية ضخمة وموزعة ومتوازية تحاكي أيضًا الحوسبة العصبية والارتفاعات. كانت الخوارزمية الجديدة أسرع بما يزيد عن 100 مرة في التعرف على الصور بينما تستهلك جزءًا صغيرًا فقط من الطاقة التي يستهلكها SpiNNaker. وقد شوهدت نتائج مماثلة مع True North، وهي شريحة عصبية من شركة IBM.

وماذا بعد؟

إن ميزتي الحوسبة الأكثر قيمة في الدماغ - كفاءة الطاقة والمعالجة المتوازية - تلهمان الآن بشكل كبير الجيل القادم من رقائق الكمبيوتر. الهدف؟ قم ببناء آلات تتسم بالمرونة والتكيف مثل أدمغتنا مع استخدام جزء صغير فقط من الطاقة اللازمة لرقائقنا الحالية القائمة على السيليكون.

ومع ذلك، بالمقارنة مع التعلم العميق، الذي يعتمد على الشبكات العصبية الاصطناعية، فقد ضعفت الشبكات المعقولة بيولوجيا. وأوضح فرنكل أن جزءًا من هذا هو صعوبة "تحديث" هذه الدوائر من خلال التعلم. ومع ذلك، مع BrainScaleS-2 ولمسة من بيانات التوقيت، أصبح الأمر ممكنًا الآن.

وفي الوقت نفسه، فإن وجود محكم "خارجي" لتحديث الاتصالات المتشابكة يمنح النظام بأكمله بعض الوقت للتنفس. الأجهزة العصبية، المشابهة للفوضى التي تعاني منها حسابات الدماغ، مليئة بعدم التطابق والأخطاء. وباستخدام الشريحة والمحكم الخارجي، يمكن للنظام بأكمله أن يتعلم التكيف مع هذا التباين، وفي النهاية يعوض - أو حتى يستغل - مراوغاته من أجل تعلم أسرع وأكثر مرونة.

بالنسبة لفرينكل، تكمن قوة الخوارزمية في ندرتها. وأوضحت أن الدماغ مدعوم برموز متفرقة "يمكن أن تفسر أوقات رد الفعل السريعة... مثل المعالجة البصرية". فبدلاً من تنشيط مناطق الدماغ بأكملها، لا يلزم سوى عدد قليل من الشبكات العصبية، مثل السير على الطرق السريعة الفارغة بدلاً من التورط في حركة المرور في ساعة الذروة.

على الرغم من قوتها، لا تزال الخوارزمية تواجه بعض العوائق. وهي تواجه صعوبة في تفسير البيانات الثابتة، على الرغم من تفوقها في التعامل مع التسلسل الزمني، على سبيل المثال، الكلام أو الإشارات الحيوية. لكن بالنسبة لفرينكل، فهي بداية إطار عمل جديد: يمكن تشفير المعلومات المهمة باستخدام مقياس مرن ولكن بسيط، وتعميمها لإثراء معالجة البيانات المستندة إلى الدماغ والذكاء الاصطناعي بجزء بسيط من تكاليف الطاقة التقليدية.

وقالت: "[إنها]... قد تكون نقطة انطلاق مهمة لزيادة الأجهزة العصبية لإظهار ميزة تنافسية على أساليب الشبكات العصبية التقليدية".

مصدر الصورة: تصنيف نقاط البيانات في مجموعة بيانات Yin-Yang، بواسطة Göltz وKriener et al. (هايدلبرغ / برن)

المصدر: https://singularityhub.com/2021/11/09/new-spiking-neuromorphic-chip-could-usher-in-an-era-of-highly-efficiency-ai/