मस्तिष्क एक कंप्यूटर की तरह है: गणित के साथ खराब तरीके से मुकाबला करना, और बाकी सब चीजों के साथ अच्छा होना

हम सभी को अंकगणित में स्कूल में होने वाली पीड़ाओं से याद है। पेंसिल और पेपर के साथ 3,752 और 6,901 जैसी संख्याओं को गुणा करने में कम से कम एक मिनट लगेगा। बेशक, आज, जब हमारे पास हाथ में टेलीफोन हैं, हम जल्दी से जांच कर सकते हैं कि हमारे व्यायाम का परिणाम 25,89,,552 होना चाहिए। आधुनिक टेलीफोन के प्रोसेसर प्रति सेकंड 100 बिलियन से अधिक ऐसे ऑपरेशन कर सकते हैं। इसके अलावा, ये चिप्स केवल कुछ वाटों का उपभोग करते हैं, जो उन्हें हमारे धीमे दिमाग की तुलना में अधिक कुशल बनाता है, 20 वाटों का उपभोग करता है और समान परिणाम प्राप्त करने के लिए बहुत अधिक समय की आवश्यकता होती है।

बेशक, अंकगणित करने के लिए मस्तिष्क विकसित नहीं हुआ था। इसलिए, वह इसे बुरी तरह से करता है। लेकिन वह हमारे पर्यावरण से आने वाली जानकारी की एक निरंतर धारा के प्रसंस्करण के साथ मुकाबला करता है। और वह इस पर प्रतिक्रिया करता है - कभी-कभी इससे भी तेज हम इसे महसूस कर सकते हैं। इससे कोई फर्क नहीं पड़ता है कि एक नियमित कंप्यूटर कितनी ऊर्जा का उपभोग करेगा - मस्तिष्क को आसानी से जो दिया जाता है उसका सामना करना मुश्किल होगा - उदाहरण के लिए, भाषा को समझना या सीढ़ियों को चलाना।

यदि वे ऐसी मशीनें बना सकते हैं जिनकी कम्प्यूटेशनल क्षमताएं और ऊर्जा दक्षता मस्तिष्क के लिए तुलनीय होगी, तो सब कुछ नाटकीय रूप से बदल जाएगा। रोबोट चतुराई से भौतिक दुनिया में चले जाएंगे और हमारे साथ एक प्राकृतिक भाषा में संवाद करेंगे। बड़े पैमाने पर सिस्टम व्यापार, विज्ञान, चिकित्सा या सरकार के बारे में बड़ी मात्रा में जानकारी एकत्र करेंगे, नए पैटर्न की खोज करेंगे, कारण संबंध खोजेंगे और भविष्यवाणियां करेंगे। सिरी और कोरटाना जैसे स्मार्ट मोबाइल ऐप बादलों पर कम भरोसा कर सकते हैं। इस तरह की तकनीक हमें कम ऊर्जा की खपत वाले उपकरणों को बनाने, हमारी इंद्रियों को पूरक बनाने, दवाओं के साथ हमें प्रदान करने और तंत्रिका संकेतों का अनुकरण करने, अंग क्षति या पक्षाघात के लिए क्षतिपूर्ति करने की अनुमति दे सकती है।

लेकिन क्या ऐसे साहसिक लक्ष्य निर्धारित करना जल्दबाजी नहीं है? क्या मस्तिष्क की हमारी समझ इतनी सीमित है कि हम इसके सिद्धांतों के आधार पर प्रौद्योगिकियां बना सकें? मेरा मानना ​​है कि तंत्रिका सर्किट की सबसे सरल विशेषताओं का अनुकरण भी नाटकीय रूप से कई वाणिज्यिक अनुप्रयोगों के प्रदर्शन में सुधार कर सकता है। कंप्यूटर को मस्तिष्क की संरचना के जैविक विवरणों की सही-सही नकल कैसे करनी चाहिए ताकि उसकी गति के स्तर के करीब पहुंच सके यह एक खुला प्रश्न है। लेकिन आज की प्रणालियाँ, मस्तिष्क की संरचना या न्यूरोमोर्फिक से प्रेरित होकर, इसका उत्तर खोजने के लिए महत्वपूर्ण उपकरण बन जाएंगी।

पारंपरिक कंप्यूटरों की एक महत्वपूर्ण विशेषता मेमोरी का भौतिक पृथक्करण है जो डेटा और निर्देशों को संग्रहीत करता है, और तर्क जो इस जानकारी को संसाधित करता है। मस्तिष्क में ऐसा कोई विभाजन नहीं है। गणना और डेटा भंडारण एक साथ और स्थानीय रूप से होते हैं, एक व्यापक नेटवर्क में जिसमें लगभग 100 बिलियन तंत्रिका कोशिकाएं (न्यूरॉन्स) और 100 ट्रिलियन से अधिक कनेक्शन (सिनेप्स) होते हैं। अधिकांश भाग के लिए, मस्तिष्क इन कनेक्शनों द्वारा निर्धारित किया जाता है और प्रत्येक न्यूरॉन्स अन्य न्यूरॉन्स के आने वाले संकेत पर प्रतिक्रिया करता है।

मानव मस्तिष्क की असाधारण संभावनाओं के बारे में बात करते हुए, हम आम तौर पर एक लंबी विकासवादी प्रक्रिया के हाल के अधिग्रहण का मतलब है - नियोकोर्टेक्स (नया प्रांतस्था)। यह पतली और अत्यंत मुड़ी हुई परत मस्तिष्क के बाहरी आवरण का निर्माण करती है और इंद्रियों से प्राप्त जानकारी, मोटर कौशल को नियंत्रित करने, स्मृति और सीखने के साथ काम करने सहित बहुत अलग कार्य करती है। संभावनाओं की इतनी विस्तृत श्रृंखला एक समरूप संरचना में उपलब्ध है: छह क्षैतिज परतें और 500 माइक्रोन चौड़े एक लाख ऊर्ध्वाधर स्तंभ, न्यूरॉन्स से मिलकर जो विद्युत दालों में एन्कोडेड जानकारी को एकीकृत और वितरित करते हैं, जो उनमें से बढ़ रहे एंटीना के साथ हैं - डेंडाइट और अक्षतंतु।

मानव शरीर की सभी कोशिकाओं की तरह, न्यूरॉन में बाहरी सतह और इनसाइड के बीच 70 mV के क्रम की विद्युत क्षमता होती है। यह झिल्ली तनाव तब बदलता है जब एक न्यूरॉन इसके साथ जुड़े अन्य न्यूरॉन्स से एक संकेत प्राप्त करता है। यदि झिल्ली वोल्टेज एक महत्वपूर्ण मूल्य तक बढ़ जाता है, तो यह 40 मिली के क्रम में एक नाड़ी बनाता है, या कई मिलीसेकंड तक का वोल्टेज बढ़ता है। यह आवेग एक न्यूरॉन के अक्षतंतु के साथ फैलता है जब तक कि वह सिंकैप तक नहीं पहुंचता है, एक जटिल जैव रासायनिक संरचना जो एक न्यूरॉन के अक्षतंतु को दूसरे के डेंड्राइट के साथ जोड़ती है। यदि आवेग कुछ प्रतिबंधों को संतुष्ट करता है, तो सिंकैप इसे दूसरे आवेग में परिवर्तित कर देता है, जिससे सिग्नल प्राप्त करने वाले न्यूरॉन की शाखाओं वाले डेंड्राइट्स नीचे जाते हैं, और इसके झिल्ली वोल्टेज को सकारात्मक या नकारात्मक दिशा में बदल देते हैं।

कनेक्टिविटी मस्तिष्क की एक महत्वपूर्ण विशेषता है। पिरामिड न्यूरॉन , विशेष रूप से महत्वपूर्ण मानव नियोकोर्टेक्स सेल, में लगभग 30,000 सिनेप्स होते हैं, अर्थात् अन्य न्यूरॉन्स से 30,000 इनपुट चैनल होते हैं। और दिमाग लगातार एडाप्ट हो रहा है। न्यूरॉन और सिनैप्स के गुण - और यहां तक ​​कि नेटवर्क की संरचना भी - लगातार बदल रही है, मुख्य रूप से इंद्रियों और पर्यावरणीय प्रतिक्रिया से इनपुट डेटा के प्रभाव में।

आधुनिक सामान्य-उद्देश्य वाले कंप्यूटर डिजिटल हैं, एनालॉग नहीं; मस्तिष्क का वर्गीकरण इतना सरल नहीं है। इलेक्ट्रॉनिक सर्किट में कैपेसिटर की तरह न्यूरॉन्स एक इलेक्ट्रिक चार्ज जमा करते हैं। यह स्पष्ट रूप से एक एनालॉग प्रक्रिया है। लेकिन मस्तिष्क फट का उपयोग सूचना की इकाइयों के रूप में करता है, और यह मूल रूप से एक द्विआधारी योजना है: कभी भी, कहीं भी, एक फट या नहीं है। इलेक्ट्रॉनिक्स के संदर्भ में, मस्तिष्क मिश्रित संकेतों के साथ एक प्रणाली है, जिसमें स्थानीय एनालॉग कंप्यूटिंग और बाइनरी बर्स्ट का उपयोग करके जानकारी का प्रसारण होता है। चूंकि फट में केवल 0 या 1 मान हैं, इसलिए यह मूल जानकारी खोए बिना लंबी दूरी की यात्रा कर सकता है। यह प्रजनन भी करता है, नेटवर्क में अगले न्यूरॉन तक पहुंचता है।

मस्तिष्क और कंप्यूटर के बीच एक और महत्वपूर्ण अंतर यह है कि मस्तिष्क एक केंद्रीय घड़ी के बिना सूचना के प्रसंस्करण के साथ अपने ऑपरेशन को सिंक्रनाइज़ करता है। हालाँकि, हम तंत्रिका-नेटवर्क के काम के परिणामस्वरूप उत्पन्न होने वाली घटनाओं - मस्तिष्क तरंगों - का समन्वय करते हैं। दिलचस्प है, आधुनिक कंप्यूटर सिस्टम समानांतर में प्रदर्शन करके कम्प्यूटेशन को गति देने के लिए मस्तिष्क में निहित अतुल्यकालिक अपनाने की शुरुआत कर रहे हैं। लेकिन इन दोनों प्रणालियों को समानांतर करने की डिग्री और उद्देश्य बेहद अलग है।

कंप्यूटिंग के लिए एक मॉडल के रूप में मस्तिष्क का उपयोग करने के विचार की गहरी जड़ें हैं। पहला प्रयास एक साधारण थ्रेशोल्ड न्यूरॉन पर आधारित था, जो एक मान देता है यदि भारित इनपुट डेटा का योग सीमा से अधिक है, और दूसरा यदि ऐसा नहीं करता है। 1940 के दशक में वारेन मैकुलॉ और वाल्टर पिट्स द्वारा कल्पना की गई इस दृष्टिकोण का जैविक यथार्थ बहुत सीमित है। हालांकि, गणना के एक तत्व के रूप में एक ट्रिगर न्यूरॉन की अवधारणा को लागू करने की दिशा में यह पहला कदम था।

1957 में, फ्रैंक रोसेनब्लट ने एक थ्रेशोल्ड न्यूरॉन के एक अन्य संस्करण का प्रस्ताव किया, जो कि अवधारणात्मक है । इंटरकनेक्टेड नोड्स (कृत्रिम न्यूरॉन्स) का एक नेटवर्क परतों से बना है। नेटवर्क की सतह पर दृश्यमान परतें बाहरी दुनिया के साथ आदान-प्रदान और आउटपुट के रूप में बातचीत करती हैं, और अंदर छिपी हुई परतें सभी गणनाओं को पूरा करती हैं।

रोसेनब्लाट ने एक मुख्य मस्तिष्क विशेषता का उपयोग करने का भी सुझाव दिया: रोकथाम। सभी इनपुटों को ढेर करने के बजाय, परसेप्ट्रॉन में न्यूरॉन्स एक नकारात्मक योगदान कर सकते हैं। यह सुविधा तंत्रिका नेटवर्क को तर्क में XOR की समस्याओं को हल करने के लिए एक छिपी हुई परत का उपयोग करने की अनुमति देती है, जिसमें आउटपुट केवल दो बाइनरी इनपुटों में से एक सत्य होने पर सच है। यह सरल उदाहरण दिखाता है कि जैविक यथार्थवाद के अलावा नई कम्प्यूटेशनल क्षमताओं को जोड़ सकता है। लेकिन इसके काम के लिए मस्तिष्क के कौन से कार्य आवश्यक हैं, और कौन से विकास के बेकार निशान हैं? किसी को पता नहीं है।

हम जानते हैं कि जैविक यथार्थवाद बनाने की कोशिश किए बिना प्रभावशाली कम्प्यूटेशनल परिणाम प्राप्त किए जा सकते हैं। गहन शिक्षण शोधकर्ताओं ने कंप्यूटर का उपयोग करने के लिए बड़ी मात्रा में डेटा का विश्लेषण करने और जटिल छवियों से कुछ विशेषताओं को निकालने का एक लंबा सफर तय किया है। यद्यपि उन्होंने जो तंत्रिका नेटवर्क बनाए हैं उनमें पहले से कहीं अधिक इनपुट और छिपी हुई परतें हैं, फिर भी वे बेहद सरल न्यूरॉन मॉडल पर आधारित हैं। उनकी व्यापक संभावनाएं जैविक यथार्थवाद को नहीं दर्शाती हैं, लेकिन उनमें निहित नेटवर्क और उनके प्रशिक्षण के लिए उपयोग किए जाने वाले कंप्यूटर की शक्ति है। लेकिन गहन शिक्षण नेटवर्क अभी भी कम्प्यूटेशनल गति, ऊर्जा दक्षता और जैविक मस्तिष्क सीखने की क्षमताओं से बहुत दूर हैं।

मस्तिष्क और आधुनिक कंप्यूटर के बीच विशाल अंतर को बड़े पैमाने पर मस्तिष्क सिमुलेशन द्वारा सबसे अधिक जोर दिया गया है। हाल के वर्षों में, इस तरह के कई प्रयास किए गए हैं, लेकिन उनमें से सभी को दो कारकों द्वारा गंभीर रूप से सीमित किया गया है: ऊर्जा और सिमुलेशन समय। उदाहरण के लिए, मार्कस डेसमैन और उनके सहयोगियों द्वारा कई साल पहले जापान के K सुपरकंप्यूटर पर 83,000 प्रोसेसर का उपयोग करके किए गए सिमुलेशन पर विचार करें। 1.73 बिलियन न्यूरॉन्स के अनुकरण ने मस्तिष्क के समतुल्य क्षेत्र की तुलना में 10 बिलियन गुना अधिक ऊर्जा का उपभोग किया, हालांकि उन्होंने बेहद सरल मॉडल का इस्तेमाल किया और कोई प्रशिक्षण आयोजित नहीं किया। और इस तरह के सिमुलेशन ने आमतौर पर वास्तविक समय के जैविक मस्तिष्क की तुलना में 1000 गुना अधिक धीमी गति से काम किया।

वे इतने धीमे क्यों हैं? पारंपरिक कंप्यूटरों पर मस्तिष्क सिमुलेशन को अरबों के अंतर के समीकरणों की गणना की आवश्यकता होती है जो परस्पर जुड़े होते हैं और कोशिकाओं और नेटवर्क की गतिशीलता का वर्णन करते हैं: एक सेल झिल्ली के पार चार्ज की तरह एनालॉग प्रक्रियाएं। कंप्यूटर जो बूलियन तर्क का उपयोग करते हैं - सटीकता के लिए बदलती ऊर्जा - और स्मृति और गणना को साझा करते हुए, मस्तिष्क को मॉडलिंग करने में बेहद अक्षम हैं।

ये सिमुलेशन मस्तिष्क के संज्ञान के लिए एक उपकरण बन सकते हैं, प्रयोगशाला में प्राप्त डेटा को उन सिमुलेशन में स्थानांतरित कर सकते हैं जिनके साथ हम प्रयोग कर सकते हैं, और फिर टिप्पणियों के साथ परिणामों की तुलना कर सकते हैं। लेकिन अगर हम एक अलग दिशा में जाने की उम्मीद करते हैं और नए कंप्यूटिंग सिस्टम बनाने के लिए न्यूरोबायोलॉजी के पाठ का उपयोग करते हैं, तो हमें यह सोचने की ज़रूरत है कि हम कैसे डिज़ाइन करते हैं और कंप्यूटर बनाते हैं।


सिलिकॉन में न्यूरॉन्स।

इलेक्ट्रॉनिक्स का उपयोग करके मस्तिष्क के काम की नकल करना पहली नज़र में लगता है कि अधिक संभव हो सकता है। यह पता चलता है कि लगभग 10 एफजे (10 ^-15 जूल) सिंक पर एक विद्युत क्षमता बनाने पर खर्च किए जाते हैं। एक धातु-ऑक्साइड-सेमीकंडक्टर (एमओएस) ट्रांजिस्टर का गेट, जो कि बहुत बड़ा होता है और सीपीयू में उपयोग किए जाने वाले की तुलना में अधिक ऊर्जा खपत करता है, को चार्ज करने के लिए केवल 0.5 एफजे की आवश्यकता होती है। यह पता चला है कि सिनैप्टिक ट्रांसमिशन 20 ट्रांजिस्टर चार्ज करने के बराबर है। इसके अलावा, डिवाइस स्तर पर, जैविक और इलेक्ट्रॉनिक सर्किट इतना भिन्न नहीं होते हैं। सिद्धांत रूप में, आप ट्रांजिस्टर से सिनैप्स और न्यूरॉन्स जैसी संरचनाएं बना सकते हैं और उन्हें इस तरह से जोड़ सकते हैं जैसे कि कृत्रिम मस्तिष्क प्राप्त करें जो ऊर्जा की इतनी चमकदार मात्रा को अवशोषित नहीं करता है।

1980 के दशक में न्यूरॉन्स की तरह काम करने वाले ट्रांजिस्टर का उपयोग करके कंप्यूटर बनाने का विचार कैलटेक के प्रोफेसर कार्वर मीड के साथ आया था। "न्यूरोमॉर्फिक" कंप्यूटरों के पक्ष में मीड की एक प्रमुख तर्क यह था कि सेमीकंडक्टर डिवाइस एक निश्चित मोड में, न्यूरॉन्स के समान भौतिक नियमों का पालन कर सकते हैं, और यह कि उच्च व्यवहार दक्षता के साथ गणना के लिए एनालॉग व्यवहार का उपयोग किया जा सकता है।

मीड के समूह ने एक तंत्रिका संचार मंच का भी आविष्कार किया जिसमें विस्फोट केवल उनके नेटवर्क पते और घटना के समय से एन्कोड किए जाते हैं। यह काम जमीनी स्तर पर था, क्योंकि यह कृत्रिम तंत्रिका नेटवर्क की एक आवश्यक विशेषता के रूप में पहली बार था। समय मस्तिष्क के लिए एक महत्वपूर्ण कारक है। सिग्नल को प्रसार समय की आवश्यकता होती है, झिल्ली को प्रतिक्रिया समय की आवश्यकता होती है, और यह समय है जो पोस्टसिनेप्टिक क्षमता के आकार को निर्धारित करता है।

उदाहरण के लिए, आज कई सक्रिय शोध समूह, स्विस हायर टेक्निकल स्कूल से जियाकोमो इंडवेरी समूह और स्टैनफोर्ड से क्वेबेना बोहेन , मीड के नक्शेकदम पर चलते हैं और सफलतापूर्वक जैविक कॉर्टिकल नेटवर्क के तत्वों को पेश करते हैं। ट्रिक एक कम-वोल्टेज का उपयोग करके ट्रांजिस्टर के साथ काम करना है जो कि उनके थ्रेशोल्ड मान तक नहीं पहुंचता है, एनालॉग सर्किट बना रहा है जो थोड़ी ऊर्जा का उपभोग करते हुए, तंत्रिका तंत्र के व्यवहार की नकल करता है।

इस दिशा में आगे के शोध में मस्तिष्क-कंप्यूटर इंटरफ़ेस जैसी प्रणालियों में आवेदन मिल सकता है। लेकिन इन प्रणालियों और नेटवर्क के वास्तविक आकार, जानवर के मस्तिष्क की कनेक्टिविटी और सीखने की क्षमता के बीच एक बड़ा अंतर है।

इसलिए 2005 के क्षेत्र में, शोधकर्ताओं के तीन समूहों ने स्वतंत्र रूप से न्यूरोमोर्फिक सिस्टम विकसित करना शुरू किया जो मीड के मूल दृष्टिकोण से काफी अलग थे। वे लाखों-करोड़ों न्यूरॉन्स के साथ बड़े पैमाने पर सिस्टम बनाना चाहते थे।

साधारण कंप्यूटरों के सबसे निकट स्पाईनेकर परियोजना है, जिसका नेतृत्व मैनचेस्टर विश्वविद्यालय के स्टीव फेरबर ने किया। इस समूह ने अपना डिजिटल चिप विकसित किया, जिसमें 18 एआरएम प्रोसेसर शामिल थे, जो 200 मेगाहर्ट्ज पर काम कर रहे थे - आधुनिक सीपीयू की गति का दसवां हिस्सा। यद्यपि एआरएम कोर क्लासिक कंप्यूटरों की दुनिया से आया था, वे अतुल्यकालिक रूप से सूचना प्रसारित करने के लिए डिज़ाइन किए गए विशेष राउटर के माध्यम से भेजे गए फटने का अनुकरण करते हैं - मस्तिष्क की तरह। वर्तमान कार्यान्वयन, जो यूरोपीय संघ के मानव मस्तिष्क परियोजना का हिस्सा है, और 2016 में पूरा हुआ, इसमें 500,000 एआरएम कोर शामिल हैं। न्यूरॉन मॉडल की जटिलता के आधार पर, प्रत्येक नाभिक 1000 न्यूरॉन्स तक अनुकरण करने में सक्षम है।

ट्रू नॉन चिप, जिसे अल्माडेन में आईबीएम रिसर्च लेबोरेटरी में दर्मेंद्र मौद और उनके सहयोगियों द्वारा विकसित किया गया था, ने माइक्रोप्रोसेसरों को कम्प्यूटेशनल इकाइयों के रूप में उपयोग करने से इनकार कर दिया, और वास्तव में एक न्यूरोमॉर्फिक सिस्टम है जिसमें कंप्यूटिंग और मेमोरी को इंटरवेट किया गया है। ट्रू नोर्थ अभी भी एक डिजिटल सिस्टम बना हुआ है, लेकिन यह विशेष रूप से डिजाइन किए गए न्यूरोकॉन्टर्स पर आधारित है जो एक विशिष्ट न्यूरॉन मॉडल को लागू करते हैं। चिप में 5.4 बिलियन ट्रांजिस्टर हैं, यह 28-एनएम सैमसंग सीएमओएस तकनीक (पूरक धातु-ऑक्साइड-अर्धचालक संरचना) पर बनाया गया है। ट्रांजिस्टर 1 मिलियन न्यूरल सर्किट का अनुकरण करते हैं और एक चिप पर 256 मिलियन सरल (सिंगल-बिट) सिंकैप्स होते हैं।

मैं कहूंगा कि अगली परियोजना, ब्रेनस्केल्स , पारंपरिक कंप्यूटरों से काफी दूर चली गई और जैविक मस्तिष्क के करीब आ गई। हमने यूरोपीय पहल "द ह्यूमन ब्रेन" के लिए हीडलबर्ग विश्वविद्यालय के अपने सहयोगियों के साथ इस परियोजना पर काम किया। BrainScaleS मिश्रित सिग्नल प्रोसेसिंग को लागू करता है। यह न्यूरॉन्स और सिनेप्स को जोड़ती है, जिसकी भूमिका में सिलिकॉन ट्रांजिस्टर डिजिटल सूचना विनिमय के साथ एनालॉग उपकरणों के रूप में कार्य करते हैं। पूर्ण आकार की प्रणाली में 8 इंच के सिलिकॉन सब्सट्रेट होते हैं और आपको 4 मिलियन न्यूरॉन्स और 1 बिलियन सिनैप्स का अनुकरण करने की अनुमति मिलती है।

सिस्टम जैविक न्यूरॉन्स की प्रतिक्रिया के नौ अलग-अलग तरीकों को पुन: पेश कर सकता है, और न्यूरोसाइंटिस्टों के साथ निकट सहयोग में विकसित किया गया है। मीड के एनालॉग दृष्टिकोण के विपरीत, ब्रेनस्केल त्वरित मोड में काम करता है, इसका अनुकरण वास्तविक समय की तुलना में 10,000 गुना तेज है। यह सीखने की प्रक्रिया और विकास का अध्ययन करने के लिए विशेष रूप से सुविधाजनक है।

सीखना न्यूरोमॉर्फिक सिस्टम का एक महत्वपूर्ण घटक बनने की संभावना है। अब मस्तिष्क की छवि में बने चिप्स, साथ ही साथ सामान्य कंप्यूटर पर चलने वाले तंत्रिका नेटवर्क को और अधिक शक्तिशाली कंप्यूटर की मदद से प्रशिक्षित किया जाता है। लेकिन अगर हम वास्तविक अनुप्रयोगों में न्यूरोमॉर्फिक सिस्टम का उपयोग करना चाहते हैं - उदाहरण के लिए, रोबोट में जिन्हें हमारे साथ कंधे से कंधा मिलाकर काम करना होगा, तो उन्हें सीखने और मक्खी पर अनुकूलित करने की आवश्यकता होगी।

हमारी BrainScaleS प्रणाली की दूसरी पीढ़ी में, हमने चिप पर "लचीलापन प्रोसेसर" बनाकर प्रशिक्षण के अवसर को लागू किया। उनका उपयोग न्यूरॉन्स और सिनेप्स के मापदंडों की एक विस्तृत श्रृंखला को बदलने के लिए किया जाता है। यह सुविधा हमें मापदंडों को आकार और विद्युत गुणों में अंतर की भरपाई के लिए ठीक-ठीक करने की अनुमति देती है, जब एक डिवाइस से दूसरे में स्थानांतरित किया जाता है - लगभग कैसे मस्तिष्क स्वयं परिवर्तनों को समायोजित करता है।

मैंने जिन तीन बड़े पैमाने पर सिस्टम का वर्णन किया है वे एक दूसरे के पूरक हैं। स्पाईनेकर को लचीले रूप से कॉन्फ़िगर किया जा सकता है और विभिन्न न्यूरोमॉडल्स का परीक्षण करने के लिए उपयोग किया जा सकता है, ट्रूएनथ के पास उच्च एकीकरण घनत्व है, ब्रेनस्कैल्स को निरंतर प्रशिक्षण और विकास के लिए डिज़ाइन किया गया है। ऐसी प्रणालियों की प्रभावशीलता का मूल्यांकन करने के सही तरीके की तलाश अभी भी जारी है। लेकिन शुरुआती नतीजे आशाजनक हैं। आईबीएम की ट्रू नॉर्थ टीम ने हाल ही में गणना की कि उनके सिस्टम में सिनैप्टिक ट्रांसमिशन 26 पीजे लेता है।और यद्यपि यह एक जैविक प्रणाली में 1000 गुना अधिक ऊर्जा की आवश्यकता है, यह सामान्य प्रयोजन के कंप्यूटरों पर सिमुलेशन में संचरण के लिए उपयोग की जाने वाली लगभग 100 000 गुना कम ऊर्जा है।

हम अभी भी समझने की एक प्रारंभिक अवस्था में हैं कि ऐसी प्रणाली क्या कर सकती है और वास्तविक समस्याओं को हल करने के लिए उन्हें कैसे लागू किया जाए। उसी समय, हमें बिजली की खपत को कम करते हुए, बेहतर सीखने की क्षमताओं के साथ बड़े नेटवर्क में कई न्यूरोमॉर्फिक चिप्स को संयोजित करने के तरीके खोजने होंगे। समस्याओं में से एक कनेक्टिविटी है: मस्तिष्क तीन आयामी है, और हमारे सर्किट दो आयामी हैं। सर्किट के त्रि-आयामी एकीकरण के मुद्दे का अब सक्रिय रूप से अध्ययन किया जा रहा है, और ऐसी प्रौद्योगिकियां हमारी मदद कर सकती हैं।

एक और मदद के लिए एक उपकरण, CMOS के आधार पर नहीं किया जा सकता - memristors या PCRAM (चरण परिवर्तन मेमोरी )। आज, आने वाले संकेतों के लिए कृत्रिम सिनेप्स की प्रतिक्रिया निर्धारित करने वाले भार को सामान्य डिजिटल मेमोरी में संग्रहीत किया जाता है, जो नेटवर्क बनाने के लिए आवश्यक सिलिकॉन संसाधनों में से अधिकांश लेता है। लेकिन अन्य प्रकार की मेमोरी हमें इन कोशिकाओं के आकार को माइक्रोमीटर से नैनोमीटर तक कम करने में मदद कर सकती है। और आधुनिक प्रणालियों की मुख्य कठिनाई विभिन्न उपकरणों के बीच अंतर का समर्थन करना होगा। BrainScaleS द्वारा विकसित अंशांकन सिद्धांत मदद कर सकते हैं।

हमने व्यावहारिक और उपयोगी न्यूरोमॉर्फिक प्रणालियों के लिए सड़क के साथ अपनी यात्रा शुरू कर दी है। लेकिन प्रयास इसके लायक है। सफल होने पर, हम न केवल शक्तिशाली कंप्यूटिंग सिस्टम बनाएंगे; हम अपने दिमाग के काम के बारे में नई जानकारी भी प्राप्त कर सकते हैं।