ارائه نسل جدید بینی مصنوعی با استفاده از تراشه های نرونی

پژوهشگران دانشگاه اینتل و کورنل گزارش کردند که موفق به ساخت بینی الکترونیکی شدند که پس از تنها یکبار قرارگیری در معرض بوی مواد شیمیایی می‌تواند آن را بیاموزد و پس از آن حتی زمانیکه تحت پوشش مواد دیگری است آن را شناسایی کند. این سیستم بر اساس تراشه‌ی پژوهشی نورومورفیِ اینتل به نام “لوی های” که آرایشی از ۷۲ سنسور شیمیایی توسعه پیدا کرده است. لیوهای به منظور تقلید کار نورون‌ها در پیاز بویایی برنامه ریزی شده بود، یعنی بخشی از مغز که میان بوهای مختلف تمایز قائل می‌شود. خالقان سیستم می‌گویند که این سیستم می‌تواند به دنبال مواد خطرناک در هوا باشد، مواد مخدر یا مواد منفجره را شناسایی کند یا به تشخیص‌های پزشکی کمک کند.

معماری تراشه‌ی لوی های از معماری‌های سی‌پی‌یو یا حتی تراشه‌های شتاب دهنده که جهت تسریع یادگیری عمیق طراحی شده‌، به طرز کار مغز نزدیک‌تر است. پژوهشگران امیدوارند که چنین تراشه‌ی نورومورفی بتواند کارهایی را انجام دهد که سیستم‌های هوش مصنوعی امروز نمی‌توانند، یا حداقل بدون صرف توان یا زمان بسیار نمی‌توانند.

یکی از آن چیزها یادگیری “یکباره” نامیده می‌شود. بینی شما می‌تواند بوی چیزی را یکبار استشمام کند و مغز شما بلافاصله آن بو را دوباره شناسایی می‌کند. اما سیستم‌های هوش مصنوعی امروزی که معمولا از شبکه‌های عصبی مصنوعی یادگیری عمیق استفاده می‌کنند، بایستی با استفاده از تعداد بسیاری از نمونه‌های از پیش مشخص شده آموزش ببینند. این امر آموزش را به فرآیندی زمان بر و پرهزینه تبدیل می‌کند. حتی بدتر از آن، بیشتر هوش مصنوعی‌هایی که قبلا آموزش دیده‌اند دیگر نمی‌توانند بدون آسیب به حافظه‌ی خود گروه جدیدی را یاد بگیرند، یعنی بایستی تمام گروه‌ها را از ابتدا آموزش داد.

برخلاف دیگر نورون‌های مصنوعی در هوش مصنوعی امروزی، نورون‌های لوی های اطلاعات ر ا در زمان بندی میخ دیجیتال حمل می‌کنند که مشابه با اتفاقی است که در مغز رخ می‌دهد.

در سال ۲۰۱۹، اینتل از یک سیستم چند تراشه‌ای لوی های خبر داد که شامل ۶۴ تراشه و معادل ۸ میلیون نورون بود. اینتل برای سیستم ۱۰۰ میلیون نورونی ۷۶۸ تراشه‌ای برنامه دارد. (مدیر پژوهش نورومورفی اینتل در سال گذشته که سیستم ۸ میلیون نورونی معرفی شد، به توانایی بینی نورومورفی اشاره کرد.)

به گفته‌ی نابیل امام، دانشمند پژوهشی ارشد اینتل، گام بعدی “تعمیم این رویکرد به طیف وسیع تری از مشکلات است، از sensory scene analysis (درک ارتباط میان اشیائی که شما مشاهده می‌کنید) گرفته تا مشکلات انتزاعی مانند برنامه ریزی و تصمیم گیری. درک چگونگی حل مشکلات محاسباتی پیچیده توسط مدار عصبی مغز سرنخ‌های مهمی برای طراحی هوش ماشینی کارآمد و نیومند در اختیار ما قرار می‌دهد.”

هرچند، چالش‌هایی وجود دارد که بایستی ابتدا حل شوند. به طور خاص، این سیستم بایستی بتواند رایحه‌های متفاوت اما مرتبط و نزدیک در یک دسته گروه بندی کند. برای مثال، سیستم بایستی بگوید توت فرنگی‌های کالیفرنیا و توت فرنگی‌های اروپا یک نوع میوه هستند. امام می‌گوید:”این‌ها چالش‌هایی در تشخیص سیگنال بویایی است که ما روی آن کار می‌کنیم و امیدواریم ظرف یکی دو سال آِینده آن را حل کرده و به محصولی تبدیل کنیم که بتواند مشکلات دنیای واقعی را ورای مشکلات آزمایشگاهی حل کند.”