الدماغ مثل الكمبيوتر: التعامل مع الرياضيات بشكل جيد ، وجيد مع كل شيء آخر

نتذكر جميعا من تمارين عذاب المدرسة في الحساب. سيستغرق دقيقة على الأقل لمضاعفة الأرقام مثل 3752 و 6901 بقلم رصاص وورقة. بالطبع ، اليوم ، عندما يكون لدينا هواتف في متناول اليد ، يمكننا أن نتحقق بسرعة من أن نتيجة التمرين يجب أن تكون 25،892،552 ، ويمكن لمعالجات الهواتف الحديثة إجراء أكثر من 100 مليار عملية من هذا النوع في الثانية. علاوة على ذلك ، تستهلك هذه الرقائق فقط بضع واط ، مما يجعلها أكثر كفاءة من أدمغتنا البطيئة ، وتستهلك 20 واط وتتطلب المزيد من الوقت لتحقيق نفس النتيجة.

بالطبع ، لم يتطور الدماغ من أجل القيام بالعمليات الحسابية. لذلك ، يفعل ذلك بشكل سيئ. لكنه يتعامل مع معالجة تيار مستمر من المعلومات القادمة من بيئتنا. وهو يتفاعل معها - أحيانًا أسرع مما يمكننا إدراكه. لا يهم مقدار الطاقة التي يستهلكها الكمبيوتر العادي - سيكون من الصعب التعامل مع ما يُعطى بسهولة للدماغ - على سبيل المثال ، فهم اللغة أو صعود الدرج.

إذا استطاعوا إنشاء آلات يمكن أن تكون قدراتها الحسابية وكفاءة طاقتها قابلة للمقارنة مع الدماغ ، فإن كل شيء سيتغير بشكل كبير. سوف تتحرك الروبوتات ببراعة في العالم المادي وتتواصل معنا بلغة طبيعية. ستقوم الأنظمة واسعة النطاق بجمع كميات هائلة من المعلومات حول الأعمال أو العلوم أو الطب أو الحكومة ، واكتشاف أنماط جديدة ، وإيجاد علاقات سببية ، ووضع التنبؤات. يمكن أن تعتمد تطبيقات الهواتف الذكية الذكية مثل Siri و Cortana بشكل أقل على السحب. يمكن لهذه التكنولوجيا أن تسمح لنا بإنشاء أجهزة ذات استهلاك منخفض للطاقة ، وتكمل حواسنا ، وتزويدنا بالأدوية ومحاكاة الإشارات العصبية ، والتعويض عن تلف الأعضاء أو الشلل.

ولكن أليس من السابق لأوانه تحديد مثل هذه الأهداف الجريئة؟ هل فهمنا للدماغ محدود للغاية حتى نتمكن من إنشاء تقنيات تستند إلى مبادئه؟ أعتقد أن محاكاة أبسط ميزات الدوائر العصبية يمكن أن تحسن بشكل كبير أداء العديد من التطبيقات التجارية. مدى دقة السؤال الذي يجب على أجهزة الكمبيوتر نسخ التفاصيل البيولوجية لهيكل الدماغ من أجل الاقتراب من مستوى سرعته هو سؤال مفتوح. لكن أنظمة اليوم ، المستوحاة من بنية الدماغ ، أو التشكل العصبي ، ستصبح أدوات مهمة للعثور على إجابة لها.

السمة الرئيسية لأجهزة الكمبيوتر التقليدية هي الفصل الفعلي للذاكرة التي تخزن البيانات والتعليمات والمنطق الذي يعالج هذه المعلومات. لا يوجد مثل هذا الانقسام في الدماغ. تحدث العمليات الحسابية وتخزين البيانات في وقت واحد ومحليًا ، في شبكة واسعة النطاق تتكون من حوالي 100 مليار خلية عصبية (الخلايا العصبية) وأكثر من 100 تريليون اتصال (نقاط الاشتباك العصبي). بالنسبة للجزء الأكبر ، يتم تحديد الدماغ من خلال هذه الروابط وكيف يستجيب كل من الخلايا العصبية للإشارة الواردة للخلايا العصبية الأخرى.

بالحديث عن الإمكانيات غير العادية للدماغ البشري ، فإننا عادة ما نعني الاكتساب الأخير لعملية تطورية طويلة - القشرة المخية الحديثة (قشرة جديدة). تشكل هذه الطبقة الرفيعة والمطوية للغاية الغلاف الخارجي للدماغ وتقوم بمهام مختلفة للغاية ، بما في ذلك معالجة المعلومات الواردة من الحواس ، والتحكم في المهارات الحركية ، والعمل مع الذاكرة والتعلم. يتوفر مثل هذا النطاق الواسع من الاحتمالات في بنية متجانسة إلى حد ما: ست طبقات أفقية ومليون عمود رأسي بعرض 500 ميكرومتر ، تتكون من الخلايا العصبية التي تدمج وتوزع المعلومات المشفرة في النبضات الكهربائية على طول الهوائيات التي تنمو منها - التشعبات والمحاور العصبية.

للخلايا العصبية ، مثلها مثل جميع خلايا الجسم البشري ، قدرة كهربائية تصل إلى 70 مللي فولت بين السطح الخارجي والدواخل. يتغير هذا التوتر الغشائي عندما يتلقى العصبون إشارة من الخلايا العصبية الأخرى المرتبطة به. إذا ارتفع جهد الغشاء إلى قيمة حرجة ، فإنه يشكل نبضة ، أو زيادة في الجهد تدوم عدة مللي ثانية ، من 40 mV. ينتشر هذا النبض على طول محور عصبي حتى يصل إلى المشبك ، وهي بنية كيميائية حيوية معقدة تربط محوار عصبون واحد مع التغصن في آخر. إذا استوفى النبض قيودًا معينة ، فإن المشبك يحولها إلى نبضة أخرى ، وينزل إلى التشعبات المتفرعة للخلايا العصبية التي تستقبل الإشارة ، ويغير جهد الغشاء في الاتجاه الإيجابي أو السلبي.

الاتصال سمة حاسمة للدماغ. العصبون الهرمي ، وهو نوع مهم بشكل خاص من خلايا القشرة المخية العصبية البشرية ، يحتوي على حوالي 30،000 مشابك ، أي 30،000 قناة إدخال من الخلايا العصبية الأخرى. والدماغ يتكيف باستمرار. يتغير العصبون وخصائص المشبك - وحتى بنية الشبكة نفسها - باستمرار ، بشكل رئيسي تحت تأثير بيانات الإدخال من الحواس والتغذية المرتدة البيئية.

أجهزة الكمبيوتر الحديثة ذات الأغراض العامة رقمية وليست تناظرية ؛ تصنيف الدماغ ليس بهذه البساطة. تتراكم الخلايا العصبية شحنة كهربائية ، مثل المكثفات في الدوائر الإلكترونية. من الواضح أن هذه عملية تمثيلية. لكن الدماغ يستخدم الرشقات كوحدات للمعلومات ، وهذا في الأساس مخطط ثنائي: في أي وقت وفي أي مكان ، يكون هناك انفجار أم لا. من حيث الإلكترونيات ، فإن الدماغ هو نظام ذو إشارات مختلطة ، مع الحوسبة التناظرية المحلية ونقل المعلومات باستخدام الرشقات الثنائية. نظرًا لأن الرشقة لا تحتوي إلا على قيم 0 أو 1 ، يمكنها السفر لمسافات طويلة دون فقدان هذه المعلومات الأساسية. كما أنها تتكاثر لتصل إلى العصبون التالي في الشبكة.

الفرق الرئيسي الآخر بين الدماغ والكمبيوتر هو أن الدماغ يتعامل مع معالجة المعلومات دون ساعة مركزية تزامن تشغيله. على الرغم من أننا نلاحظ الأحداث المتزامنة - موجات الدماغ - فإنها تنظم نفسها ، والتي تنشأ نتيجة لعمل الشبكات العصبية. ومن المثير للاهتمام ، بدأت أنظمة الكمبيوتر الحديثة في تبني عدم التزامن المتأصل في الدماغ من أجل تسريع الحسابات عن طريق إجراءها بالتوازي. لكن درجة وهدف موازاة هذين النظامين مختلفة للغاية.

إن فكرة استخدام الدماغ كنموذج للحوسبة لها جذور عميقة. استندت المحاولات الأولى على عصبون عتبة بسيطة تعطي قيمة واحدة إذا تجاوز مجموع بيانات المدخلات المرجحة العتبة ، والأخرى إذا لم تفعل ذلك. الواقعية البيولوجية لهذا النهج ، التي تصورها وارين ماكولو ووالتر بيتس في الأربعينيات ، محدودة للغاية. ومع ذلك ، كانت هذه هي الخطوة الأولى نحو تطبيق مفهوم العصبون المحفز كعنصر حسابي.

في عام 1957 ، اقترح فرانك روزنبلات نسخة أخرى من عصبون عتبة ، الإدراك . تتكون شبكة من العقد المترابطة (الخلايا العصبية الاصطناعية) من طبقات. تتفاعل الطبقات المرئية على سطح الشبكة مع العالم الخارجي كمدخلات ومخرجات ، وتقوم الطبقات المخفية بالداخل بإجراء جميع الحسابات.

اقترح روزنبلات أيضًا استخدام ميزة الدماغ الأساسية: الاحتواء. بدلاً من تكديس جميع المدخلات ، يمكن للخلايا العصبية في الإدراك أن تقدم مساهمة سلبية. تسمح هذه الميزة للشبكات العصبية باستخدام طبقة مخفية واحدة لحل مشكلات XOR في المنطق ، حيث يكون الناتج صحيحًا إذا كان واحد فقط من المدخلات الثنائية صحيحًا. يوضح هذا المثال البسيط أن إضافة الواقعية البيولوجية يمكن أن تضيف قدرات حسابية جديدة. ولكن ما هي وظائف الدماغ اللازمة لعمله ، والتي هي آثار تطور غير مجدية؟ لا أحد يعرف.

نحن نعلم أن النتائج الحسابية الرائعة يمكن تحقيقها دون محاولة خلق الواقعية البيولوجية. لقد قطع باحثو التعلم العميق شوطًا طويلاً في استخدام أجهزة الكمبيوتر لتحليل كميات كبيرة من البيانات واستخراج سمات معينة من الصور المعقدة. على الرغم من أن الشبكات العصبية التي أنشأوها تحتوي على المزيد من المدخلات والطبقات المخفية أكثر من أي وقت مضى ، إلا أنها لا تزال تعتمد على نماذج عصبية بسيطة للغاية. لا تعكس إمكانياتهم الواسعة الواقعية البيولوجية ، ولكن حجم الشبكات الموجودة فيها وقوة أجهزة الكمبيوتر المستخدمة في تدريبهم. لكن شبكات التعلم العميق لا تزال بعيدة جدًا عن السرعات الحسابية وكفاءة الطاقة وقدرات التعلم البيولوجية للدماغ.

من الأفضل التأكيد على الفجوة الهائلة بين الدماغ وأجهزة الكمبيوتر الحديثة من خلال محاكاة الدماغ على نطاق واسع. في السنوات الأخيرة ، تم إجراء العديد من هذه المحاولات ، لكن جميعها كانت محدودة بشدة بعاملين: الطاقة ووقت المحاكاة. على سبيل المثال ، ضع في اعتبارك محاكاة أجراها ماركوس دايسمان وزملاؤه قبل عدة سنوات باستخدام 83000 معالج على كمبيوتر K فائق في اليابان. استهلكت محاكاة 1.73 مليار خلية عصبية طاقة أكثر بعشرة مليارات مرة من المساحة المكافئة للدماغ ، على الرغم من أنهم استخدموا نماذج مبسطة للغاية ولم يجروا أي تدريب. وعملت هذه المحاكاة عادة أبطأ بأكثر من 1000 مرة من الدماغ البيولوجي في الوقت الحقيقي.

لماذا هم بطيئون جدا؟ تتطلب محاكاة الدماغ على أجهزة الكمبيوتر التقليدية حساب المليارات من المعادلات التفاضلية المترابطة ووصف ديناميات الخلايا والشبكات: العمليات التناظرية مثل نقل شحنة عبر غشاء الخلية. أجهزة الكمبيوتر التي تستخدم المنطق المنطقي - تغيير الطاقة من أجل الدقة - ومشاركة الذاكرة والحساب ، غير فعالة للغاية في نمذجة الدماغ.

يمكن أن تصبح هذه المحاكاة أداة لإدراك الدماغ ، ونقل البيانات التي تم الحصول عليها في المختبر إلى عمليات محاكاة يمكننا تجربتها ، ثم مقارنة النتائج بالملاحظات. ولكن إذا كنا نأمل في السير في اتجاه مختلف واستخدام دروس علم الأحياء العصبية لإنشاء أنظمة حوسبة جديدة ، فنحن بحاجة إلى إعادة التفكير في كيفية تصميم وإنشاء أجهزة الكمبيوتر.


الخلايا العصبية في السيليكون.

يمكن أن يكون نسخ عمل الدماغ باستخدام الإلكترونيات أكثر جدوى مما يبدو للوهلة الأولى. اتضح أن حوالي 10 fJ ( ^10-15 جول) تُنفق على إنشاء جهد كهربائي في المشبك. إن بوابة ترانزستور أشباه الموصلات المعدنية (MOS) ، وهي أكبر بكثير وتستهلك طاقة أكبر من تلك المستخدمة في وحدة المعالجة المركزية ، تتطلب 0.5 fJ فقط لشحنها. اتضح أن الإرسال المشبكي يعادل شحن 20 ترانزستور. علاوة على ذلك ، على مستوى الجهاز ، لا تختلف الدوائر البيولوجية والإلكترونية كثيرًا. من حيث المبدأ ، يمكنك إنشاء هياكل مثل المشابك العصبية والخلايا العصبية من الترانزستورات وربطها بطريقة للحصول على دماغ اصطناعي لا يمتص مثل هذه الكمية الصارخة من الطاقة.

ظهرت فكرة إنشاء أجهزة كمبيوتر باستخدام الترانزستورات التي تعمل مثل الخلايا العصبية في الثمانينيات مع البروفيسور كارفر ميد من كالتيك. كانت إحدى الحجج الرئيسية لـ Mead لصالح أجهزة الكمبيوتر "العصبية" هي أن أجهزة أشباه الموصلات يمكنها ، في وضع معين ، اتباع نفس القوانين الفيزيائية مثل الخلايا العصبية ، ويمكن استخدام السلوك التناظري للحسابات ذات كفاءة الطاقة العالية.

اخترعت مجموعة ميد أيضًا منصة اتصالات عصبية يتم فيها تشفير الرشقات فقط من خلال عناوين شبكتها ووقت حدوثها. كان هذا العمل رائدًا ، حيث كان أول من جعل الوقت سمة ضرورية للشبكات العصبية الاصطناعية. الوقت عامل رئيسي للدماغ. تحتاج الإشارات إلى وقت الانتشار ، والأغشية تحتاج إلى وقت رد الفعل ، وقد حان الوقت الذي يحدد شكل إمكانات ما بعد المشبكية.

اتبعت عدة مجموعات بحثية نشطة اليوم ، على سبيل المثال ، مجموعة جياكومو إنديفيري من المدرسة التقنية العليا السويسرية وكوابينا بوهين من ستانفورد ، على خطى ميد ونجحت في إدخال عناصر من الشبكات القشرية البيولوجية. تكمن الحيلة في العمل مع الترانزستورات باستخدام تيار منخفض الجهد لا يصل إلى قيمة العتبة ، وإنشاء دوائر تناظرية تنسخ سلوك الجهاز العصبي ، مع استهلاك القليل من الطاقة.

قد يجد المزيد من البحث في هذا الاتجاه تطبيقًا في أنظمة مثل واجهة الدماغ والحاسوب. ولكن هناك فجوة كبيرة بين هذه الأنظمة والحجم الحقيقي للشبكة والاتصال والقدرة على التعلم في دماغ الحيوان.

لذلك في منطقة عام 2005 ، بدأت ثلاث مجموعات من الباحثين بشكل مستقل في تطوير النظم العصبية التي كانت مختلفة بشكل كبير عن نهج ميد الأصلي. أرادوا إنشاء أنظمة واسعة النطاق بملايين الخلايا العصبية.

الأقرب إلى أجهزة الكمبيوتر العادية هو مشروع SpiNaker ، بقيادة ستيف فيربر من جامعة مانشستر. طورت هذه المجموعة رقاقة رقمية خاصة بها ، تتكون من 18 معالج ARM تعمل بسرعة 200 ميجاهرتز - حوالي عُشر سرعة وحدات المعالجة المركزية الحديثة. على الرغم من أن نوى ARM جاءت من عالم أجهزة الكمبيوتر الكلاسيكية ، إلا أنها تحاكي رشقات نارية مرسلة من خلال أجهزة توجيه خاصة مصممة لنقل المعلومات بشكل غير متزامن - تمامًا مثل الدماغ. يحتوي التطبيق الحالي ، الذي يعد جزءًا من مشروع الدماغ البشري للاتحاد الأوروبي ، والذي اكتمل في عام 2016 ، على 500.000 نواة ARM. اعتمادًا على درجة تعقيد نموذج الخلايا العصبية ، فإن كل نواة قادرة على محاكاة ما يصل إلى 1000 خلية عصبية.

رقاقة TrueNorth ، التي طورها دارمندرا مود وزملاؤه في مختبر أبحاث IBM في المادن ، ترفض استخدام المعالجات الدقيقة كوحدات حسابية ، وهي في الواقع نظام عصبي يتداخل فيه الحوسبة والذاكرة. لا يزال TrueNorth نظامًا رقميًا ، ولكنه يعتمد على المسارات العصبية المصممة خصيصًا التي تنفذ نموذجًا عصبيًا محددًا. تحتوي الرقاقة على 5.4 مليار ترانزستور ، وهي مبنية على تقنية CMOS 28 نانومتر من سامسونج (هيكل أشباه الموصلات المعدنية أكسيد أكسيد). تحاكي الترانزستورات مليون دائرة عصبية و 256 مليون مشابك بسيطة (بتة واحدة) على شريحة واحدة.

أود أن أقول إن المشروع التالي ، BrainScaleS ، ذهب بعيدًا جدًا عن أجهزة الكمبيوتر التقليدية واقترب من الدماغ البيولوجي. عملنا في هذا المشروع مع زملائي من جامعة هايدلبرغ من أجل المبادرة الأوروبية "الدماغ البشري". ينفذ BrainScaleS معالجة الإشارات المختلطة. فهو يجمع بين الخلايا العصبية والمشابك ، والتي بدورها تعمل ترانزستورات السيليكون كأجهزة تناظرية مع تبادل المعلومات الرقمية. يتكون النظام الكامل الحجم من ركائز سيليكون 8 بوصة ويسمح لك بمحاكاة 4 ملايين الخلايا العصبية ومليار المشابك.

يمكن للنظام إعادة إنتاج تسعة أنماط مختلفة من استجابة الخلايا العصبية البيولوجية ، وقد تم تطويره بالتعاون الوثيق مع علماء الأعصاب. على عكس منهج Mead التناظري ، يعمل BrainScaleS في الوضع المتسارع ، ومضاهاة أسرع 10000 مرة من الوقت الفعلي. هذا مناسب بشكل خاص لدراسة عملية التعلم والتطوير.

من المرجح أن يصبح التعلم مكونًا مهمًا في أنظمة الأشكال العصبية. يتم الآن تدريب الرقائق المصنوعة في صورة الدماغ ، وكذلك الشبكات العصبية التي تعمل على أجهزة الكمبيوتر العادية ، بمساعدة أجهزة كمبيوتر أكثر قوة. ولكن إذا أردنا استخدام أنظمة الأشكال العصبية في التطبيقات الحقيقية - على سبيل المثال ، في الروبوتات التي يجب أن تعمل جنبًا إلى جنب معنا ، فسوف تحتاج إلى أن تكون قادرة على التعلم والتكيف بسرعة.

في الجيل الثاني من نظام BrainScaleS ، قمنا بتنفيذ فرصة التدريب من خلال إنشاء "معالجات مرنة" على الشريحة. يتم استخدامها لتغيير مجموعة واسعة من معلمات الخلايا العصبية والمشابك. تسمح لنا هذه الميزة بضبط المعلمات للتعويض عن الاختلافات في الحجم والخصائص الكهربائية عند الانتقال من جهاز إلى آخر - تقريبًا كيف يتكيف الدماغ نفسه مع التغييرات.

تكمل الأنظمة الثلاثة الكبيرة التي وصفتها بعضها البعض. يمكن تكوين SpiNNaker بمرونة واستخدامها لاختبار نماذج عصبية مختلفة ، TrueNorth لديه كثافة تكامل عالية ، تم تصميم BrainScaleS للتدريب والتطوير المستمر. لا يزال البحث عن الطريقة الصحيحة لتقييم فعالية هذه الأنظمة مستمراً. لكن النتائج المبكرة واعدة. قام فريق TrueNorth التابع لشركة IBM مؤخرًا بحساب أن الإرسال المتشابك في نظامهم يستغرق 26 pJ. وعلى الرغم من أنها تتطلب طاقة أكبر بألف مرة في النظام البيولوجي ، إلا أنها تستخدم طاقة أقل للإرسال في عمليات المحاكاة على أجهزة الكمبيوتر ذات الأغراض العامة بما يقرب من 100000 مرة.

ما زلنا في مرحلة مبكرة من فهم ما يمكن أن تفعله هذه الأنظمة وكيفية تطبيقها لحل المشاكل الحقيقية. في الوقت نفسه ، يجب أن نجد طرقًا لدمج العديد من رقائق الأشكال العصبية في شبكات كبيرة ذات قدرات تعليمية محسنة ، مع تقليل استهلاك الطاقة. واحدة من المشاكل هي الاتصال: الدماغ ثلاثي الأبعاد ، ودوائرنا ثنائية الأبعاد. يتم الآن دراسة قضية التكامل ثلاثي الأبعاد للدوائر بنشاط ، ويمكن لهذه التقنيات أن تساعدنا.

يمكن أن تصبح الأجهزة التي لا تعتمد على CMOS - ذاكرة أو PCRAM ( ذاكرة مع تغيير حالة الطور ) مساعدة أخرى.اليوم ، يتم تخزين الأوزان التي تحدد استجابة المشابك الاصطناعية للإشارات الواردة في الذاكرة الرقمية العادية ، والتي تستهلك معظم موارد السيليكون اللازمة لبناء شبكة. ولكن يمكن أن تساعدنا أنواع الذاكرة الأخرى في تقليل حجم هذه الخلايا من الميكرومتر إلى النانومتر. وستكون الصعوبة الرئيسية للأنظمة الحديثة هي دعم الاختلافات بين الأجهزة المختلفة. يمكن أن تساعد مبادئ المعايرة التي طورتها BrainScaleS.

لقد بدأنا للتو رحلتنا على طول الطريق إلى النظم العصبية العملية والمفيدة. لكن الجهد يستحق ذلك. في حالة النجاح ، لن نقوم فقط بإنشاء أنظمة حوسبة قوية ؛ يمكننا حتى الحصول على معلومات جديدة حول عمل دماغنا.