امروزه هوش مصنوعی پیشرفته تر از قبل شده و استفادههای گسترده تری از آن میشود. هوش مصنوعی یا AI این روزها به کمک بشریت آمده و حلال برخی از مشکلاتی است که انسان قادر به حل آنها نیست. نقش مهم این پدیده نسبتاً نوظهور در سیستمها از پیش بینی کننده متن در تلفنهای همراه تا تشخیصهای پزشکی غیرقابل انکار است.
گفتنی است که عمده سیستمهای هوش مصنوعی که امروزه ساخته میشوند با الهام از مغز انسان و شبکههای عصبی او ایجاد میشوند. همچنین بد نیست بدانید که این شبکههای عصبی مصنوعی چیزی مثل نورونهای بیولوژیکی هستند که به یکدیگر متصل میشوند و بدین ترتیب با مجموعهای از دادههای شناخته شده همچون تصاویر آموزش داده میشوند. از این تصاویر و دادهها برای شناسایی یا طبقهبندی دادههای جدید بهره برداری میشود.
ماجرای ساخت یک تراشه قدرتمند توسط محققان ایرانی چیست؟
اگر بخواهیم ساز و کار هوش مصنوعی در شبکههای عصبی سنتی را شرح دهیم باید این طور مثال بزنیم که فرض کنید این شبکههای عصبی سنتی که از آنها برای تشخیص تصاویر استفاده میشود، برای اینکه بتوانند آن تصویر را در موقعیتهای مختلف شناسایی کند ابتدا تصیر شیء موردنظر را روی یک سنسور تصویر همچون دوربین دیجیتال تلفن هوشمند میاندازد.
پس از آن که تصیر روی دوربین دیجیتال گوشی افتاد، سنسور تصویر نور را به سیگنالهای الکتریکی و در نهایت دادههای باینری یا دودویی تبدیل میکند و بدین ترتیب قادر خواهد بود با کمک تراشهها و یا پردازندههای کامپیوتری پردازش، تجزیه و تحلیل، ذخیره و طبقهبندی را انجام دهد.
انسان نیازمند این است که تواناییهای این چنینی هوش مصنوعی روز به روز بهبود یابد تا از این رهگذر بتواند تعداد زیادی از کاربردها نظیر تشخیص چهره، تشخیص خودکار متن در عکسها و یا کمک به ماشینهای خودران در تشخیص موانع را سریع تر انجام دهد.
شاید بتوان با هوش مصنوعی و دانش کنونی در این بخش میلیاردها محاسبه در ثانیه انجام داد و شاید با کمک تراشه و فناوری طبقهبندی تصاویر بتوان اغلب کاربردهای این چنینی را به اندازه کافی سریع انجام داد اما زمانی که عملکردها پیچیده تر میشوند مانند شناسایی اجسام متحرک، شناسایی اشیاء سه بعدی یا طبقه بندی سلولهای میکروسکوپی در بدن نیازمند سیستم هوش مصنوعی قدرتمندتر و پیچیده تری هستیم که بتواند از پس آن بربیاید.
برای اینکه بشر بتواند این محدودیتها را از بین ببرد، گروهی از محققان ایرانی دانشگاه پنسیلوانیا موفق به تولید اولین تراشه مقیاس پذیری شدهاند که تصاویر را بلافاصله طبقهبندی و شناسایی میکند. حالا سه دانشمند برجسته این دانشگاه از جمله فیروز افلاطونی (دانشیار مهندسی برق و سیستمها)، فرشید آشتیانی (دانشجوی فوق دکتری) و الکساندر جیرز (دانشجوی کارشناسی ارشد) موفق شدهاند چهار علل اصلی که باعث زمان بر شدن محاسبات در تراشههای رایانهای سنتی میشود را از بین ببرند.
چهار علل مذکور شامل تبدیل سیگنالهای نوری به الکتریکی، نیاز به تبدیل دادههای ورودی به فرمت باینری، ماژول حافظه بزرگ و محاسبات مبتنی بر زمان میشود. این گروه از محققان دانشگاه پنسیلوانیا از طریق پردازش مستقیم نور دریافتی از شیء با استفاده از یک شبکه عصبی عمیق نوری که روی یک تراشه ۹.۳ میلی متر مربعی پیاده سازی شده به این موفقیت دست یافتند.
گفتنی است که مطالعه مذکور در مجله Nature منتشر شده و این گونه توضیح میدهد که بسیاری از سلولهای عصبی نوری تراشه با استفاده از سیمهای نوری به یکدیگر متصل میشوند و بدین ترتیب شبکهای عمیق از بسیاری از لایههای عصبی که شبیه به رشتههای عصبی مغز انسان است تشکیل میدهند.
اطلاعات از این لایههای عصبی رد میشود و هر مرحله به طبقهبندی تصویر ورودی در یکی از دستههای آموخته شده کمک میکند. آنچه محققان ایرانی در این مطالعه مورد بررسی قرار دادند، تصاویری که تراشه طبقهبندی کرده بود تصاویری از یک کاراکتر ترسیم شده به صورت دستی و حروف مانند بود.
نکته جالب در مورد این تراشه شباهت زیاد آن به شبکه عصبی مغز انسان است. این تراشه و رشتههای عصبی آن همچون شبکه عصبی مغز ما طوری طراحی شده تا بتواند در کسری از ثانیه اطلاعات را مورد پردازش قرار دهد. همچنین دانشمندان دانشگاه پنسیلوانیا نشان دادند که چگونه تراشه قدرتمند و عجیب آنها میتواند در نصف نانوثانیه یک طبقهبندی کامل تصویر را انجام دهد. فیروز افلاطونی در این باره میگوید: تراشه ما اطلاعات را از طریق آنچه ما محاسبه به واسطه انتشار (computation-by-propagation) مینامیم پردازش میکند، به این معنی که بر خلاف سیستمهای مبتنی بر زمان، محاسبات با انتشار نور از طریق تراشه انجام میشود. ما همچنین از مرحله تبدیل سیگنالهای نوری به سیگنالهای الکتریکی صرفنظر میکنیم، زیرا تراشه ما میتواند سیگنالهای نوری را مستقیماً بخواند و پردازش کند، و هر دوی این تغییرات، تراشه ما را به فناوری بسیار سریعتری تبدیل میکند.
از طرف دیگر دکتر آشتیانی میافزاید: وقتی تراشههای رایانهای فعلی سیگنالهای الکتریکی را پردازش میکنند، اغلب آنها را از طریق یک واحد پردازش گرافیکی یا GPU اجرا میکنند که فضا و انرژی اشغال میکند. تراشه ما نیازی به ذخیره اطلاعات نداشته و نیاز به داشتن یک واحد حافظه بزرگ را از بین میبرد.
به گفته افلاطونی، با حذف واحد حافظهای که تصاویر را ذخیره میکند، امنیت دادهها را نیز افزایش میدهیم. با تراشههایی که مستقیماً دادههای تصویر را میخوانند، نیازی به ذخیرهسازی عکس نیست و در نتیجه نشت دادهها رخ نمیدهد. این گروه از محققان بر این باورند که تراشهای که اطلاعات را با سرعتی مشابه نور میخواند بالتبع درجات بالاتری از امنیت سایبری را فراهم میکند و کاربرد بسیاری در زمینههای مختلف خواهد داشت. دیگر دانشمند این تحقیق جیرز گفته است: ما اولین کسانی نیستیم که فناوری ارائه کردیم که سیگنالهای نوری را مستقیماً میخواند، اما اولین کسانی هستیم که یک سیستم کامل را در یک تراشه ایجاد میکنیم که هم با فناوریهای موجود سازگار است و هم برای کار با دادههای پیچیدهتر مقیاسپذیر است.
تراشه مذکور طوری طراحی شده که با ساز و کارهای عمیق خود برای یادگیری و طبقهبندی مجموعه دادههای جدید همچون یادگیری انسان نیاز به آموزش دارد. به محض اینکه دادههای جدید دریافت میشود شبکه عمیق اطلاعات را دریافت میکند آنها را در دستههایی قرار میدهد که از پیش آموخته است. افلاطونی میگوید: آن چه که واقعاً در مورد این فناوری جالب است این است که میتواند کاری بسیار بیشتر از طبقهبندی تصاویر انجام دهد. ما میدانیم که چگونه انواع دادهها را به دامنه الکتریکی تبدیل کنیم. تصاویر، صدا، گفتار و بسیاری از انواع دادههای دیگر. اکنون، میتوانیم انواع دادههای مختلف را به دامنه نوری تبدیل کنیم که تقریباً بلافاصله با استفاده از این فناوری پردازش میشوند.
به گفته وی، برای درک اینکه این تراشه با چه سرعتی میتواند اطلاعات را پردازش کند، یک نرخ فریم(frame rate) معمولی فیلمها را تصور کنید. یک فیلم با سرعت بین ۲۴ تا ۱۲۰ فریم در ثانیه پخش میشود. در حالی که این تراشه میتواند نزدیک به دو میلیارد فریم در ثانیه را پردازش کند! ما اکنون برای مواردی که نیاز به محاسبات بسیار سریع دارند، راه حلی داریم و بسیاری از کاربردهای آن ممکن است در این لحظه قابل درک نباشند.
