نمونه اولیه این تراشه الکترونیکی از هوش مصنوعی استفاده میکند تا عملکردی مانند مغز را در یک دستگاه قدرتمند پیاده سازی کند. فناوری جدید نرمافزار اصلی مورد نیاز برای هدایت هوش مصنوعی و سختافزار ضبط تصویر را در یک تراشه الکترونیکی ترکیب کرده است. نمونهی اولیهی محرک با نور از روشی که مغز انسان برای پردازش اطلاعات بصری استفاده میکند تقلید میکند. این تراشه یک پیشرفت قابلتوجه در رسیدن به هدف نهایی الکترونیک است: مغزی روی یک تراشه که میتواند درست مثل انسانها از محیط خود درس بگیرد.
محققان یک فناوری جدید هوش مصنوعی را توسعه دادهاند که تصویربرداری، پردازش، یادگیری ماشین و حافظه را در یک تراشه الکترونیکی که از انرژی نور استفاده میکنند، جمع میکند. نمونه اولیه با تقلید از روشی که مغز انسان اطلاعات بصری را پردازش میکند هوش مصنوعی را به وجود میآورد. پیشرفتهای فناوری در مقیاس نانو، نرم افزار اصلی برای راهاندازی هوش مصنوعی را با سخت افزار ضبط تصویر در یک دستگاه الکترونیکی واحد ترکیب کرده است. با پیشرفتهای پیشرو، نسخه اولیه محرک با نور میتواند فناوریهای مستقل هوشمندتر و کوچکتر مانند پهبادها و رباتها، به علاوه گجتهای هوشمند و کاشت بیونیک مانند شبکیه چشم مصنوعی را امکان پذیر کند.
این مطالعه توسط یک تیم بینالمللی متشکل از محققان استرالیایی، آمریکایی و چینی به رهبری دانشگاه RMIT انجام شده و در مجله Advanced Materials منتشر شده است. Sumeet Walia محقق ارشد دانشگاه RMIT، گفت که نمونه اولیه عملکردی شبیه مغز را در یک دستگاه قدرتمند ارائه میدهد. Walia که همچنین عضو گروه تحقیقاتی مواد کاربردی و میکروسیستمها است، گفت: “فناوری جدید ما با جمعآوری چندین مولفه و ویژگی در یک پلتفرم واحد، کارایی و دقت را کاملاً افزایش میدهد. این فناوری ما را به یک دستگاه هوش مصنوعی همهکاره که از بزرگترین نوآوری محاسباتی طبیعت یعنی مغز انسان الهام گرفته شده است، نزدیک میکند. هدف ما این است که یک ویژگی اصلی از چگونگی یادگیری مغز را از طریق نشانگذاری بینایی در حافظه، کپی کنیم. نمونه اولیهای که ما توسعه دادهایم یک جهش بزرگ به سمت نوروبوتیکها که فناوریهایی برای تعامل انسان و ماشین و سیستمهای بیونیک مقیاسپذیر هستند میباشد.
هوش مصنوعی پیشرو یک مجموعه کامل است. معمولا هوش مصنوعی به شدت وابسته به نرمافزار و پردازش دادههای خارج از محدوده است. هدف نمونه اولیه جدید ادغام سخت افزار و هوش با یکدیگر به منظور تصمیمگیری سریع در محل است. Walia گفت:” یک دوربین کوچک در اتومبیل را تصور کنید که از یک سخت افزار الهام گرفته از شبکههای عصبی استفاده میکند. این سخت افزار بدون اینکه به اینترنت متصل باشد، میتواند چراغها، علائم، اشیا را تشخیص دهد و تصمیمات فوری بگیرد. با جمع کردن همه اینها در یک تراشه، ما میتوانیم سطح کارآیی و سرعت بیسابقه ای را در تصمیمگیری مستقل و مبتنی بر هوش مصنوعی ارائه دهیم.”
این فناوری بر پایه تراشه نمونه اولیه قبلی تیم RMIT ساخته شده است که از نور برای ایجاد و اصلاح خاطرات استفاده میکرد. ویژگیهای تعبیه شده جدید به این معنی است که اکنون تراشه میتواند تصاویر را ضبط کند و به طور خودکار بهبود بخشد، اعداد را طبقهبندی کند و برای تشخیص الگوها و تصاویر با دقت بیش از 90٪ آموزش ببیند. همچنین این دستگاه با فناوریهای الکترونیکی و سیلیکونی موجود برای ادغام بیدردسر در آینده کاملا سازگار است.
نمونه اولیه از اپتوژنتیک الهام گرفته شده است. اپتوژنتیک ابزاری نوظهور در بیوتکنولوژی است که به دانشمندان اجازه میدهد با دقت بسیار زیادی در سیستم الکتریکی بدن فرو رفته و از نور برای دستکاری نورونها استفاده کنند. تراشه هوش مصنوعی بر اساس مادهای بسیار نازک به نام فسفر سیاه ساخته شده است که مقاومت الکتریکی را در پاسخ به طول موجهای مختلف نور تغییر میدهد. عملکردهای مختلف مانند تصویربرداری یا ذخیرهسازی حافظه با تاباندن رنگهای مختلف نور بر روی تراشه حاصل میشود. دکتر تیمور احمد از دانشگاه RMIT گفت:”محاسبات مبتنی بر نور سریعتر و دقیقتر بوده و نیاز به انرژی بسیار کمتری نسبت به فناوریهای موجود دارند. با جمع آوری بسیاری از کارکردهای اصلی در یک دستگاه کم حجم در مقیاس نانو، میتوان افق یادگیری ماشین و هوش مصنوعی را وسعت داد و آنها را در کاربردهای کوچکتر ادغام کرد. به عنوان مثال استفاده از تراشه ما همراه با شبکیه مصنوعی، دانشمندان را قادر میسازد که فناوری نوظهور را بسیار کوچک کنند و دقت چشم بیونیک را بهبود ببخشند. نمونه اولیه ما پیشرفت قابل توجهی در جهت رسیدن به هدف نهایی الکترونیک است: مغزی روی یک تراشه که میتواند درست مثل انسانها از محیط خود درس بگیرد.”
استفاده از دوربین و سایه برای درک بهتر حس لامسه انسانها توسط رباتها
رباتها ممکن است با احساسات انسان در تماس نباشند اما به زودی در درک لمس انسانی بهتر عمل خواهند کرد. محققان دانشگاه کرنل روشی کم