اگر نهی دلالت بر حرمت کند

الف-با سیغه

ب-بدون صیغه

«قُلْ أَغَیْرَ اللّه‏ أَبْغِی رَبّا وَهُوَ رَبُّ کُلِّ شَیْءٍ»

♨️ در محضر ثقلین | بیانات آیت الله العظمی وحیدخراسانی بر محور قرآن و اهلبیت علیهم‌السلام

📖 جزء ۸

💠 «قُلْ أَغَیْرَ اللّه‏ أَبْغِی رَبّا وَهُوَ رَبُّ کُلِّ شَیْءٍ» (الانعام : ۱۶۴)

🔰 بگو آیا غیر از الله پروردگارى بجویم، و حال آن که او پروردگار همه چیز است
---------------------------------

🎤 تنها مدبر جهان خداوند متعال است، خداوندی که خالق عالَم است، ربِّ مخلوقات هم هست

🌎 هم اوکه آفریننده جهان و موجودات است، آنها را حفظ و اداره می‌کند
🕌 و اوست که شایسته #عبادت و پرستش است؛ چرا که فقط کسی شایسته پرستش است که مالک و صاحب اختیار امور باشد...

🪐 وحدت و هماهنگی که در نظام جهان وجود دارد بر یگانگی مدبّر، دلالت  دارد
✨قرآن می فرماید: «لَوْ کانَ فِیهِما آلِهَةٌ إِلاَّ اللهُ لَفَسَدَتا»
 این آیه خود دلالت بر #توحید_ربوبی دارد
که اگر در آسمان و زمین، خدائى غیر از ذات یگانه اللّه بود «لَفَسَدَتا» نظام عالم ملک و ملکوت فاسد می شد... .

📚برگرفته ازکتاب «مقدمه ی اصول دین»
 آیت الله العظمی وحید خراسانی
▫️ #کلام_فقیه #ماه_رمضان #قرآن
🌙 @Fatemyeh_ValiAsr

هنگامى که مومن گناه کند، نقطه ی سیاهى در قلب او پیدا مى شود، اگر توبه کند، ...

‍ 💠 إِنَّ الْمومنَ إِذا أَذْنَبَ کانت نُکْتَةً سَوْداءَ فی قلبه، فِإِنْ تابَ وَ نَزَعَ وَ اسْتَغْفَرَ صَقَلَ قَلْبُهُ، وَ إِنْ زاد زادَتْ، فَذلِکَ الرَّیْنُ الَّذِى ذَکَرَ اللّهُ فِى کتابه: کَلاّ بَلْ رانَ عَلى قُلُوبِهِمْ ما کانُوا یَکْسِبُونَ¹

🔰«هنگامى که مومن گناه کند، نقطه ی سیاهى در قلب او پیدا مى شود، اگر توبه کند، از گناه دست بردارد و استغفار نماید، قلب او صیقل مى یابد،و اگر باز هم به گناه برگردد سیاهى افزون مى شود این همان زنگارى است که  خدا در کتاب خود آن را یاد کرده و فرموده «نه این چنین است که می پندارند بلکه آنچه کسب کرده اند بر دلهایشان زنگار بسته است»

کلام فقیه :
🌘انسان با #گناه، لحظه به لحظه، در تاریکى فرو مى رود، وکار به جائى مى‌رسد که زشتی گناهانش در نظرش نمی‌آید، و حتی گاهی به گناهش افتخار مى کند!
❌ که اگر این شد راه هاى بازگشت به روى او بسته مى شود، تمام پل ها پشت سرش ویران مى شود...
🛑 اگر انسان به اینجا برسد خیلی خطرناک است... .

💠 رسول خداصلى الله علیه و آله فرمودند: «جَلاءُ هذهِ القُلوبِ ذِکرُ اللّه ِوتِلاوَةُ القرآنِ۲»
🔰 صیقل دهنده این دلها، #یاد_خدا و تلاوت #قرآن است.

🔆 در ماه مبارک #رمضان از فرصت ها استفاده کنید، وقت را به بطالت هدر ندهید تا می‌توانید #قرآن بخوانید و این قرآن را به قطب عالم امکان #امام_زمان‌ علیه‌السلام هدیه کنید، این کار شما را به #ولی_عصر نزدیک می کند و نفوس مرده زنده می‌شود، تا ارتباط به آن قدیّس اعلی پیدا نشود، ربط به خدا میسر نمی شود و محال است.

📌۱.روضه الواعظین ج۲، ص۴۱۴.
۲تنبیه الخواطر ج ۲ص۱۲۲.
 
🎙برگرفته از بیانات حضرت آیت الله العظمی وحید خراسانی
🗓۱۶دی ۱۳۷۴
▫️ #کلام_فقیه #توصیه #ماه_رمضان 
✅ @Fatemyeh_ValiAsr

مغز روی تراشه

خبر علمی

مغز روی تراشه

 

در پروژه Neu-ChiP، دانشمندان از سلول‌های بنیادی مغز انسان روی ریزتراشه‌ها استفاده می‌کنند تا مرزهای هوش مصنوعی (AI) را جابه‌جا کنند.

 

این پروژه به سلول‌های بنیادی مغز انسان به عنوان توسعه‌دهنده‌های هوش مصنوعی نگاه می‌کند که می‌توانند تحولی در محاسبات ایجاد کنند. پروژه Neu-ChiP نشان می‌دهد چگونه می‌توان از نورون‌ها برای افزایش توانایی رایانه‌ها جهت یادگیری و کاهش قابل توجه انرژی استفاده کرد؛ همچنین چگونه می‌توان سلول‌های بنیادی مغز انسان را که روی یک ریزتراشه رشد می‌کنند، آموزش داد تا مشکلات حاصل از داده‌ها را حل کنند. بدین گونه استفاده از هوش مصنوعی در حوزه‌های متنوعی مانند مراقبت‌های بهداشتی، مالی و... گسترش بیشتری می‌یابد.

 

 

 

روند اخیر به سمت «محاسبات نورومورفیک»، که هدف آن تقلید از فعالیت عصبی انسان به صورت الکترونیکی است، با محدودیت‌های الکترونیک متداول به سختی انجام می‌پذیرد. در مقابل، سلول‌های مغز انسان بدون زحمت این عملکردها را با هم ترکیب می‌کنند و نیاز به انرژی بسیار کمی دارند. آن‌ها برای کار کردن تنها به حجم کمی از محلول‌های غنی از مواد مغذی نیاز دارند. این تیم تحقیقاتی شبکه‌هایی از سلول‌های بنیادی شبیه کورتکس انسان را روی ریزتراشه‌ها لایه‌بندی می‌کند. سپس سلول‌ها را با  تشعشع الگوهای متغیر پرتوهای نور تحریک می‌کنند. پروفسور دیوید سعد، پروفسور ریاضیات در دانشگاه استون، می‌گوید: هدف ما این است که از قدرت محاسباتی بی‌نظیر مغز انسان برای افزایش چشمگیر توانایی رایانه‌ها جهت کمک به حل مسائل پیچیده استفاده کنیم.

 

محققان این پروژه اذعان داشتند که به دنبال ساخت مدارهای نورومورفیک و ترکیب دستگاه‌های الکترونیکی جدید با نورون‌های بیولوژیک هستند. در موضوع زیست‌شناسی مصنوعی، دیدن اینکه چگونه محاسبات در سلول‌های زنده از دیجیتال به سمت آنالوگ تکامل می‌یابد و به سمت یک الگوی محاسباتی نورومورفیک حرکت می‌کند، قابل توجه است.

دفاعیه آقای محمدعلی هدایت پور

این پایان نامه به پیاده سازی مدل نورون اسپایکی ایژیکویچ به روش محاسبات تصادفی پرداخته است. ابتدا محاسبات نورومورفیک به صورت مقدماتی مرور شده و سپس معرفی اجمالی راجع به انواع مدل‌های نورون اسپایکی به هدف انتخاب مدل نورونی مد نظر از بین آن‌ها ارائه شده است. پس از انتخاب مدل مد نظر، به بررسی انواع پیاده ‌سازی‌های این مدل در مدارها دیجیتال پرداخته شده است. از میان روش‌های پیاده سازی بلوک‌های محاسباتی همچون ضرب و تقسیم در مدارها دیجیتال، روش محاسبات تصادفی برای پیاده سازی نورون پیاده سازی شده است. با استفاده از محاسبات تصادفی یک ضرب‌کننده ۱۶ بیتی طراحی شد و با بهره گیری از آن، مداری جهت پیاده سازی مدل نورون اسپایکی ایژیکویچ طراحی شده است. از مجموع ۲۰ پاسخ ایژیکویچ، ۱۱ پاسخ با سخت افزار مهندسی شده در این پایان‌نامه قابل بازتولید است. این مدار به صورت RTL توصیف شده است و در بهینه ترین حالت از ۶۴۹ Look Up Table و ۴۱۴ فلیپ فلاپ استفاده می‌کند. توان مصرفی ۱۴ میلی وات و فرکانس کاری مدار ۱۱۴ مگاهرتز اندازه‌گیری گزارش می‌شود.

توانایی‌های نورومورفیک مغز

محققان دانشگاه بارسلونا در اسپانیا توانستند توانایی‌های نورومورفیک مغز را با استفاده از لایه‌های نازک اکسید کبالت شبیه‌سازی کنند. این فناوری علاوه بر محاسبات نورومورفیک، کاربردهای عملی دیگری از جمله تولید حافظه‌های مغناطیسی نیز دارند.

 محققان دانشگاه بارسلونا در اسپانیا توانستند توانایی‌های نورومورفیک مغز را با استفاده از لایه‌های نازک اکسید کبالت شبیه‌سازی کنند. این فناوری علاوه بر محاسبات نورومورفیک، کاربردهای عملی دیگری از جمله تولید حافظه‌های مغناطیسی نیز دارند.

به گزارش پایگاه خبری نیچر، نورومورفیک که «محاسبات عصبی» نیز نامیده می‌شود، به معنی استفاده از سیستم‌های مجتمع سازی در مقیاس بسیار بزرگ حاوی مدارهای آنالوگ الکترونیکی، برای شبیه‌سازی معماری عصبی و بیولوژیکی موجود در سیستم عصبی است.

رایانش نورومورفیک یک الگوی محاسباتی جدید است که با الهام از مغز، عملکرد سیناپس‌ها را با استفاده از شبکه‌های عصبی مصنوعی، شبیه‌سازی می‌کند. این ابزارها مانند مجموعه‌ای از سوییچ‌ها عمل می‌کنند که حالت روشن آن‌ها مربوط به حفظ اطلاعات یا یادگیری است و حالت خاموش آن‌ها مربوط به حذف اطلاعات یا فراموشی است.

تاکنون تمام سیستم‌هایی که برای این منظور به کار رفته‌اند، توسط جریان‌های الکتریکی کنترل می‌شوند که به معنای اتلاف انرژی قابل توجهی از طریق گرما است. اما اکنون محققان از یک سیستم کنترل خواص مغناطیسی مواد برای انتقال یونی مبتنی بر ولتاژ استفاده می‌کنند که توان مصرفی را به طور قابل توجهی کاهش می‌دهد و کارآیی ذخیره‌سازی اطلاعات را به شدت افزایش می‌دهد.

برای این منظور محققان از اکسید کبالت استفاده کردند که ساختار کریستالی آن دربرگیرنده یون‌های لازم برای فرآیند انتقال یونی برگشت پذیر است.

محققان این ترکیبات را در فیلم‌هایی با ضخامت ۵ تا ۲۳۰ نانومتر مورد استفاده قرار دادند تا نقش ضخامت فیلم را بر رفتار یون‌ها بررسی کنند.

در نتیجه مشخص شد هرچه ضخامت فیلم کاهش یابد، انتقال مغناطیسی یون‌ها با سرعت بیشتری انجام می‌شود. همچنین محققان دریافتند در فیلم‌های نازک آثار مربوط به یادگیری قابلیت‌های نورومورفیک ایجاد شده و شواهدی را به دست آوردند که نشان می‌دهد سیستم‌های انتقال مغناطیسی یون می‌توانند عملکردهای یادگیری فراموشی نورون‌ها را شبیه‌سازی کنند.

به گفته محققان، این فناوری علاوه بر محاسبات نورومورفیک، کاربردهای عملی دیگری از جمله تولید حافظه‌های مغناطیسی هم دارند.
گزارش کامل این تحقیقات در نشریه Nanoscale منتشر شده است.

طراحی مواد منحصر‌به‌فرد برای انجام محاسباتی شبیه به مغز

طی چند دهه‌ی گذشته، رایانه‌ها با پیشرفت چشمگیری در قدرت پردازش رو‌به‌رو بوده‌اند. با این حال، حتی پیشرفته‌ترین رایانه‌ها در مقایسه با پیچیدگی‌ها و قابلیت‌های مغز انسان نسبتاً ابتدایی هستند.

طی چند دهه‌ی گذشته، رایانه‌ها با پیشرفت چشمگیری در قدرت پردازش رو‌به‌رو بوده‌اند. با این حال، حتی پیشرفته‌ترین رایانه‌ها در مقایسه با پیچیدگی‌ها و قابلیت‌های مغز انسان نسبتاً ابتدایی هستند. اما محققین در آزمایشگاه تحقیقاتی توسعه‌ی توان نظامی ارتش ایالات متحده‌ی آمریکا می‌گویند که این امر ممکن است در‌ حال‌تغییر باشد زیرا در تلاش هستند رایانه‌هایی را طراحی کنند که از ساختار عصبی مغز انسان الهام گرفته باشند.

به عنوان بخشی از همکاری با دانشگاه Lehigh، محققین ارتش آمریکا، استراتژیِ طراحی برای توسعه‌ی مواد نورومورفیک (عصب‌گونه) را مشخص کرده‌اند.

دکتر سینا نجمایی، محقق و مهندس برق، می‌گوید: نورومورفیک نامی است که به دسته‌ای از مواد یا ترکیبی از مواد اطلاق می‌‌شود که هم قابلیت محاسبه و هم به خاطر سپاری (حافظه) را در دستگاه‌ها فراهم سازند.

نجمایی و همکارانش مقاله‌ای را تحت عنوان " Dynamically reconfigurable electronic and phononic properties in intercalated Hafnium Disulfide (HfS2)"، در ماه مِی 2020 در ژورنال Materials Today منتشر کرده‌اند.

مفهوم محاسبات نورومورفیک یک راه حل درون حافظه‌ای (in-memory) است که نوید کاهش میزان مصرف برق نسبت به ترانزیستورهای معمولی را می‌دهد و برای طبقه بندی و پردازش داده‌های پیچیده مناسب است. بازده توان محدود در ترانزیستورهای معمولی یک ضعف اساسی این فناوری است که مانع پیشرفت‌های آتی در محاسبات می‌شود.

تحقیقات مواد نورومورفیکی که طی ۱۰ سال گذشته انجام شده است بر درک ویژگی‌های منحصر‌به‌فرد مواد دو‌بعدی و ساختارهای چند لایه‌ی واندروالسی آنها متمرکز شده است.

طی چهار سال گذشته، این تیم تلاشی متمرکز بر طراحی خواص مواد برای کاربردهای الکترونیکی با کارآیی بالا انجام داده است.

نجمایی گفت: تحقیقات ما که منجر به چاپ مقاله‌ا‌ی در Material Today شده، بیانگر تلاش تیم برای طراحی خواصی با قابلیت تنظیم مجدد در این مواد، بر اساس سیستم‌های واندروالسی/ هبریدیِ آلی-فلزی و طراحی مواد نورومورفیک است.

محاسبات نورومورفیک با استفاده از مدل‌های جدید محاسباتیِ مشابه فرآیندهای شناختی مغز، اطلاعات را پردازش می‌کند.

نجمایی گفت: برای پردازش و ایجاد استنتاج منطقی از ورودی، اطلاعات و پارادایم (الگوی) جدید محاسبات لازم است. سخت‌افزار نورومورفیک با قابلیت‌های محاسبات درون‌حافظه‌ای وعده می‌دهد که پلی برای گذر از موانع رشد این فناوری باشد.

وی گفت: این تحقیق یک گام مهم در پیشرفت محاسبات درون‌حافظه‌ای در ابزار هیبریدی با خصوصیات عملکردی منحصر به فرد برای به کار گیری در دستگاه‌های حسی شناختی است و بر چالش‌های فنی قابل‌توجهِ مانع از رویکرد پایین به بالا (bottom up) برای ساده‌سازی سخت افزار محاسباتیِ الهام گرفته از مغز، فائق می‌آید.

نجمایی گفت: اگر محققان نهایتا بتوانند رایانه‌ای تولید کنند که بتواند مانند مغز رفتار کند، برای جنگنده‌ها بسیار مفید خواهد بود.

محاسبات نورومورفیک، مانند یک سیستم عصبی، توانایی محاسباتی‌ای ارائه می‌دهد که با مزایایی، مانند مقاومت در برابر آسیب، توان یادگیری، سازگاری با تغییرات و سایر موارد، کامل می‌شود. این فناوری پتانسیل این را دارد که در مقایسه با نمونه‌های محاسباتی امروزی، توان مصرفی عملیاتی را به اندازه‌ی ۱۰۰۰ تا ۱ میلیون برابر کاهش‌ دهد.

این سطح پردازش برای تشخیص تصویر در سیستم‌های خودمختار و به‌طور‌کلی برای هوش مصنوعی بسیار مطلوب است. نجمایی گفت: با توجه به اهمیت هوش مصنوعی و سیستم‌های خودمختار در جنگ مدرن، محاسبات عصبی به راحتی می‌تواند سنگ‌بنایی برای طیف گسترده‌ای از توانایی‌های جنگی در آینده باشد.

منبع: ساینس دیلی

تأثیر گرافن تازه کشف شده بر محاسبات نورومورفیک

تأثیر گرافن تازه کشف شده بر محاسبات نورومورفیک

محققان و همکاران موسسه فناوری ماساچوست (MIT) با استفاده از گرافن و نیترید بور نتایج جالب توجهی به دست آورده‌اند که در حوزه محاسبات کوانتومی و نرومورفیک قابل استفاده است.

---

محققان و همکاران موسسه فناوری ماساچوست (MIT) یک خاصیت الکترونیکی مهم و غیرمنتظره گرافن را کشف کرده‌اند، ماده‌ای که با فیزیک جالب توجه خود دانشمندان را شگفت زده می‌کند و می‌تواند الگوی جدید و سریع‌تر پردازش اطلاعات را به همراه داشته باشد. یک کاربرد بالقوه آن استفاده در محاسبات نورومورفیک است که هدف آن همانندسازی سلول‌های عصبی در بدن است که مسئول همه چیز، از رفتار تا خاطرات هستند. این کار همچنین فیزیک جدیدی را معرفی می‌‌کند که محققان از کشف آن هیجان زده‌اند.

پابلو جاریلو هررو سرپرست این پروژه می‌گوید: "ساختارهای ناهموار مبتنی بر گرافن همچنان شگفتی‌های جذابی را ایجاد می‌کنند. مشاهده ما از فروالکتریکی غیر متعارف در این سیستم ساده و فوق العاده نازک، بسیاری از فرضیات رایج در مورد سیستم‌های فروالکتریک را به چالش می‌کشد و این می‌تواند راه را برای نسل کامل مواد فروالکتریک جدید هموار سازد."

گرافن از یک لایه اتم کربن تشکیل شده است که در شش ضلعی شبیه به ساختار لانه زنبوری قرار گرفته است. از زمان کشف این ماده، دانشمندان نشان داده‌اند که پیکربندی‌های مختلف لایه‌های گرافن می‌تواند باعث ایجاد انواع مختلفی از خواص مهم شود. سازه‌های مبتنی بر گرافن می‌توانند ابررسانا باشند و جریان الکتریکی را بدون مقاومت هدایت کنند و یا عایق‌هایی باشند که از حرکت جریان الکتریکی جلوگیری می‌کنند.

در کار فعلی، که در ماه دسامبر گذشته در Nature گزارش شد، محققان و همکاران MIT نشان دادند که گرافن دو لایه نیز می‌تواند فرو الکتریک باشد. این بدان معنی است که بارهای مثبت و منفی موجود در این ماده می‌توانند خود به خود از لایه‌های مختلف جدا شوند. در بیشتر مواد، بارهای مخالف به یکدیگر جذب می‌شوند و می‌خواهند ترکیب شوند.  فقط استفاده از یک میدان الکتریکی آنها را مجبور می‌کند که به دو طرف مخالف یا دو قطب متفاوت کشیده شوند.

در یک ماده فروالکتریک، هیچ میدان الکتریکی خارجی برای جدا نگه داشتن بارها و ایجاد قطبی شدن خود به خودی لازم نیست. با این حال، استفاده از یک میدان الکتریکی خارجی تأثیرگذار است. یک میدان الکتریکی در جهت مخالف باعث جابجایی بارها در دو طرف و تغییر قطبی می‌شود. به همین دلیل، از مواد فروالکتریک در سیستم‌های الکترونیکی مختلفی استفاده می‌شود، از سونوگرافی پزشکی گرفته تا کارت‌های شناسایی فرکانس رادیویی (RFID).

فروالکتریک‌های معمولی عایق هستند. فروالکتریک تیم تحت هدایت MIT که بر پایه گرافن است از طریق مکانیزم کاملاً متفاوتی - فیزیک متفاوت - عمل می‌کند که به آن امکان هدایت الکتریسیته را می‌دهد و این باعث می‌شود کاربردهای بی‌شماری ایجاد شود. ژیرن (آیزاک) ژنگ، از نویسندگان این مقاله می‌گوید: "آنچه ما در اینجا یافتیم نوع جدیدی از مواد فروالکتریک است."

Qiong Ma ، یکی از نویسندگان مقاله می‌گوید: "چالش‌هایی در رابطه با فروالکتریک‌های معمولی وجود دارد که مردم برای غلبه بر آنها تلاش کرده‌اند. به عنوان مثال، با ادامه کوچک سازی دستگاه، فاز فروالکتریک ناپایدار می‌شود. با استفاده از مواد ما، برخی از این چالش‌ها ممکن است به طور خودکار حل شوند."

ساختاری که این تیم ایجاد کرده است از دو لایه گرافن تشکیل شده است که بین لایه‌های نازک اتمی نیترید بور (BN) در بالا و پایین قرار گرفته است. هر لایه BN با زاویه کمی متفاوت از لایه دیگر است. با نگاهی از بالا، نتیجه یک الگوی منحصر به فرد است که به آن الگوی مویر گفته می شود. ژنگ می گوید الگوی مویر به نوبه خود می‌تواند خصوصیات ماده را به طرز چشمگیری تغییر دهد.
 
این گروه تحقیقاتی کار شبیه به این را در سال 2018 نشان دادند. در آن پروژه، محققان دو لایه گرافن را روی هم قرار دادند. اما این لایه‌ها دقیقاً روی هم نبودند. بلکه یکی با "زاویه جادویی" 1.1 درجه چرخانده شد. ساختار حاصل الگوی مویری ایجاد کرد که به نوبه خود به گرافن اجازه می‌دهد تا یک ابررسانا باشد یا یک عایق باشد که این بسته به تعداد الکترون‌های سیستم دارد. اساساً این تیم قادر به تنظیم گرافن برای ارائه رفتارهای متفاوت الکتریکی است.
 
در کار فعلی، محققان الگوی مویر را با ورق‌های گرافن و نیترید بور ایجاد کردند که منجر به شکل جدیدی از فروالکتریک شده است. هدف محققان نه تنها نشان دادن پتانسیل این مواد جدید برای انواع کاربردها است، بلکه با درک بهتر از فیزیک این فناوری، قصد دارند تا این فناوری را توسعه دهند.

پل زدن شکاف بین هوش مصنوعی و محاسبات نورومورفیک

در چشم انداز هوش مصنوعی که به سرعت در حال تحول است، جستجو برای سخت افزاری که بتواند همگام با نیازهای محاسباتی رو به رشد باشد، بی وقفه است. پیشرفت قابل توجهی در این تلاش از طریق تلاش مشترکی که توسط دانشگاه پردو، در کنار دانشگاه کالیفرنیا سن دیگو (UCSD) و École Supérieure de Physique et de Chimie Industrielles (ESPCI) در پاریس رهبری شده است، به دست آمده است. این همکاری نشان دهنده یک پیشرفت اساسی در زمینه محاسبات نورومورفیک است، رویکردی انقلابی که به دنبال تقلید از مکانیسم های مغز انسان در معماری محاسباتی است.

چالش های سخت افزار هوش مصنوعی فعلی

پیشرفت های سریع در هوش مصنوعی الگوریتم ها و مدل های پیچیده ای را به وجود آورده است که سطح بی سابقه ای از قدرت محاسباتی را می طلبد. با این حال، با کاوش عمیق‌تر در قلمروهای هوش مصنوعی، یک چالش آشکار ظاهر می‌شود: ناکافی بودن معماری‌های رایانه‌ای مبتنی بر سیلیکون فعلی در همگامی با تقاضاهای در حال تکامل فناوری هوش مصنوعی.

اریکا کارلسون، پروفسور فیزیک و نجوم در دانشگاه پردو، در صد و پنجاهمین سالگرد این چالش، این چالش را به اختصار بیان می کند. او توضیح می‌دهد: «کدهای الهام‌گرفته از مغز انقلاب هوش مصنوعی عمدتاً بر روی معماری‌های رایانه‌ای سیلیکونی معمولی اجرا می‌شوند که برای آن طراحی نشده‌اند.» این مشاهدات بر یک گسست اساسی بین سخت افزار موجود، که در درجه اول برای محاسبات همه منظوره طراحی شده است، و نیازهای تخصصی الگوریتم های پیشرفته هوش مصنوعی تاکید می کند.

همانطور که کارلسون اشاره می کند، این عدم تطابق نه تنها کاربردهای بالقوه هوش مصنوعی را محدود می کند، بلکه منجر به ناکارآمدی انرژی قابل توجهی نیز می شود. تراشه‌های سیلیکونی، پیشتازان عصر دیجیتال، ذاتاً برای پردازش موازی و به هم پیوسته‌ای که شبکه‌های عصبی و مدل‌های یادگیری عمیق نیاز دارند، مناسب نیستند. قدرت پردازش خطی و متوالی CPUهای سنتی (واحد پردازش مرکزی) و GPU (واحد پردازش گرافیکی) کاملاً در تضاد با نیازهای محاسبات هوش مصنوعی پیشرفته است.

محاسبات نورومورفیک رونمایی شد

تلاش مشترک پژوهشی، همانطور که در مطالعه آنها به تفصیل شرح داده شده است، به یک پیشرفت مهم منجر شده است.حافظه معکوس رمپ توزیع شده فضایی در VO2" این تحقیق منادی یک رویکرد جدید برای سخت افزار محاسباتی است که از عملیات سیناپسی مغز انسان الهام گرفته شده است.

محور این پیشرفت، مفهوم محاسبات نورومورفیک است. برخلاف معماری‌های محاسباتی سنتی، محاسبات نورومورفیک تلاش می‌کند تا ساختار و عملکرد مغز انسان را تقلید کند، به‌ویژه با تمرکز بر نورون‌ها و سیناپس‌ها. نورون ها سلول های انتقال دهنده اطلاعات در مغز هستند و سیناپس ها شکاف هایی هستند که به سیگنال ها اجازه می دهند از یک نورون به نورون دیگر منتقل شوند. در مغزهای بیولوژیکی، این سیناپس ها برای رمزگذاری حافظه حیاتی هستند.

نوآوری این تیم در استفاده از اکسیدهای وانادیوم نهفته است، موادی که منحصراً برای ایجاد نورون‌ها و سیناپس‌های مصنوعی مناسب هستند. این انتخاب ماده نشان دهنده انحراف قابل توجهی از رویکردهای متداول مبتنی بر سیلیکون است که جوهر معماری نورومورفیک - تکرار رفتار مغز مانند در تراشه های محاسباتی را در بر می گیرد.

بهره وری انرژی و محاسبات پیشرفته

پیامدهای این پیشرفت بسیار گسترده است، به ویژه از نظر بهره وری انرژی و قابلیت های محاسباتی. کارلسون در مورد مزایای بالقوه توضیح می دهد و بیان می کند: «معماری های نورومورفیک نویدبخش پردازنده های مصرف انرژی کمتر، محاسبات پیشرفته، حالت های محاسباتی اساسا متفاوت، یادگیری بومی و تشخیص الگوی پیشرفته هستند.» این تغییر به سمت محاسبات نورومورفیک می تواند چشم انداز سخت افزار هوش مصنوعی را دوباره تعریف کند و آن را پایدارتر و کارآمدتر کند.

یکی از قانع‌کننده‌ترین مزایای محاسبات نورومورفیک، وعده آن در کاهش قابل توجه هزینه‌های انرژی مرتبط با آموزش مدل‌های زبان بزرگ مانند ChatGPT است. مصرف انرژی بالای فعلی چنین مدل‌هایی عمدتاً به ناهماهنگی بین سخت‌افزار و نرم‌افزار نسبت داده می‌شود - شکافی که محاسبات نورومورفیک قصد دارد آن را پر کند. با تقلید از اجزای اساسی مغز، این معماری‌ها راه طبیعی و کارآمدتری را برای پردازش و یادگیری از داده‌ها برای سیستم‌های هوش مصنوعی فراهم می‌کنند.

علاوه بر این، کارلسون به محدودیت‌های سیلیکون در تکرار رفتار نورون‌مانند اشاره می‌کند که جنبه‌ای حیاتی برای پیشرفت سخت‌افزار هوش مصنوعی است. معماری‌های نورومورفیک، با توانایی خود در تقلید سیناپس‌ها و نورون‌ها، انقلابی در نحوه عملکرد سیستم‌های هوش مصنوعی ایجاد می‌کنند و به مدلی نزدیک‌تر می‌شوند که بیشتر شبیه فرآیندهای شناختی انسان است.

یکی از عناصر کلیدی این تحقیق استفاده نوآورانه از اکسیدهای وانادیوم است. این ماده برای شبیه‌سازی عملکرد نورون‌ها و سیناپس‌های مغز انسان، نویدبخش است. الکساندر زیمرز، دانشمند تجربی برجسته از دانشگاه سوربن و ESPCI، این پیشرفت را برجسته می کند و می گوید: "در دی اکسید وانادیوم، ما مشاهده کرده ایم که چگونه مانند یک سیناپس مصنوعی عمل می کند، یک جهش قابل توجه در درک ما."

تحقیقات این تیم منجر به یافتن روشی ساده تر و کارآمدتر برای ذخیره حافظه شده است، مشابه آنچه مغز انسان انجام می دهد. با مشاهده نحوه رفتار اکسید وانادیوم در شرایط مختلف، آنها دریافته اند که حافظه نه تنها در بخش های جدا شده از مواد ذخیره می شود، بلکه در سراسر آن پخش می شود. این بینش بسیار مهم است زیرا راه‌های جدیدی را برای طراحی و ساخت دستگاه‌های نورومورفیک پیشنهاد می‌کند که می‌توانند به طور مؤثرتر و کارآمدتری اطلاعات را مانند مغز انسان پردازش کنند.

پیشبرد محاسبات نورومورفیک

تیم تحقیقاتی با تکیه بر یافته های پیشگامانه خود، در حال ترسیم مسیر مرحله بعدی کار خود هستند. با توانایی ایجاد شده برای مشاهده تغییرات در مواد نورومورفیک، آنها قصد دارند با تغییر موضعی خواص مواد، آزمایش بیشتری انجام دهند. زیمرز پتانسیل این رویکرد را توضیح می‌دهد: «این می‌تواند به ما اجازه دهد تا جریان الکتریکی را از طریق مناطق خاصی در نمونه هدایت کنیم که اثر حافظه در آن حداکثر است، و به طور قابل‌توجهی رفتار سیناپسی این ماده نورومورفیک را افزایش می‌دهد.»

این جهت فرصت های هیجان انگیزی را برای آینده محاسبات نورومورفیک باز می کند. هدف محققان با اصلاح کنترل و دستکاری این مواد، ایجاد دستگاه‌های نورومورفیک کارآمدتر و مؤثرتر است. چنین پیشرفت‌هایی می‌تواند منجر به سخت‌افزاری شود که قادر به تقلید دقیق‌تر از پیچیدگی‌های مغز انسان است و راه را برای سیستم‌های هوش مصنوعی پیچیده‌تر و کارآمدتر هموار می‌کند.

دانلود کتاب اصول و سازماندهی محاسبات نورومورفیک

• عنوان کتاب: Neuromorphic Computing Principles and Organization
• نویسنده: Abderazek-Ben-Abdallah
• حوزه: محاسبات
• سال انتشار: 2022
• تعداد صفحه: 260
• زبان اصلی: انگلیسی
• نوع فایل: pdf
• حجم فایل: 13.4 مگابایت

از آنجایی که پایان قانون مور بیش از هر زمان دیگری به نظر می رسد، دانشمندان کامپیوتر در حال کاوش برای ساخت ماشین هایی به پیچیدگی و کارآمدی مغز ما بوده اند که با چالش های چگالی توان و فرکانس ساعت در معماری معمولی سروکار دارند. مغز ما در مقایسه با معماری سنتی فون نویمان کاملا متفاوت عمل می کند. رازهای زیادی در پس عملکرد مغز انسان نهفته است. می دانیم که محاسبات و حافظه را بین بیش از 100 میلیارد نورون بیولوژیکی توزیع می کند و هر یک از آنها از طریق سیناپس ها با هزاران نورون دیگر مرتبط هستند. نورون ها از طریق میخ ها (یعنی پالس های الکتریکی کوتاه) با یکدیگر ارتباط برقرار می کنند. مغز یک سیستم محاسباتی قدرتمند است که به ما کمک می کند تا زنده بمانیم، سازگار شویم و پیش بینی کنیم، در حالی که ده ها وات مصرف می کنیم. محاسبات الهام گرفته از مغز یا نورومورفیک یک رویکرد الهام گرفته از بیولوژیکی است که از نورون های بسیار متصل برای مدل سازی نظریه های علوم اعصاب و حل مشکلات یادگیری ماشین ایجاد شده است. اصطلاح نورومورفیک برای اولین بار توسط کارور مید در سال 1990 معرفی شد، جایی که به ادغام در مقیاس بسیار بزرگ (VLSI) با اجزای آنالوگ برای تقلید از سیستم های عصبی بیولوژیکی اشاره داشت. چنین سیستم هایی را می توان به روش های غیر اسپکینگ و اسپایکینگ دسته بندی کرد. اول، رویکرد غیر اسپیکینگ به عنوان اجرای شبکه‌های عصبی مصنوعی سنتی (ANN) نامیده می‌شود که هدف آن بهبود توان عملیاتی در مصرف انرژی (یا هدف شتاب) است. در سال‌های اخیر، شبکه‌های عصبی مصنوعی پیشرفت قابل‌توجهی را از نظر دقت برای شناسایی و طبقه‌بندی بصری/شنیداری در مقیاس بزرگ نشان داده‌اند. نکته قابل توجه، شبکه عصبی کانولوشن (CNN) و شبکه عصبی تکراری (RNN) نشان داده اند که ابزارهای امیدوارکننده ای برای طیف گسترده ای از کاربردها مانند تصویر، ویدئو و گفتار هستند. آنها معمولاً با استفاده از واحدهای پردازش گرافیکی (GPU) یا در سمت ابر آموزش داده می شوند. شبکه های عصبی پیشرفته تمایل دارند تعداد لایه ها و اندازه خود را افزایش دهند (یعنی یادگیری عمیق). با این حال، این منجر به چالش هایی برای سیستم های سخت افزاری از نظر محاسبات، حافظه و منابع ارتباطی می شود.

As the end of Moore’s law seems closer than ever, computer scientists have been exploring to build machines as complex and efficient as our brain, dealing with power density and clock frequency challenges of the conventional architecture. Our brain works entirely differently compared to traditional von Neumann architecture. There are many secrets behind how the human brain works. We know that it distributes computation and memory among more than 100 billion biological neurons, and each of them is connected with thousands of others via synapses. Neurons communicate with each other through spikes (i.e., short electrical pulses). The brain is a powerful computation system that helps us survive, adapt, and predict, while consuming tens of watts. Brain-inspired or neuromorphic computing is a biologically inspired approach created from highly connected neurons to model neuroscience theories and solve machine learning problems. The term neuromorphic was first introduced by Carver Mead in 1990, where it referred to very-large-scale integration (VLSI) with analog components to mimic biological neural systems. Such systems can be categorized into non-spiking and spiking approaches. First, the non-spiking approach is referred to as the implementation of traditional artificial neural networks (ANNs) which aims to improve the throughput over the power consumption (or acceleration purpose). In recent years, ANNs have shown a remarkable improvement in terms of accuracy for large-scale visual/auditory recognition and classification tasks. Notably, the convolution neural network (CNN) and recurrent neural network (RNN) have shown to be promising tools for a wide range of applications such as image, video, and speech. They are typically trained by using graphic processing units (GPUs) or on the cloud side. The state-of-the-art neural networks tend to increase their number of layers and size (i.e., deep learning). However, this leads to challenges for hardware systems in terms of computation, memory, and communication resources.