شبکه‌های Silver Nanowires مانند مغز انسان برای یادگیری و یادآوری عمل می کنند

طی یک سال گذشته، مدل‌های مولد هوش مصنوعی مانند ChatGPT و DALL-E امکان تولید مقادیر زیادی از محتوای خلاقانه با کیفیت بالا و ظاهراً شبیه انسان را از طریق یک سری دستورات ساده فراهم کرده‌اند.
اگرچه سیستم‌های هوش مصنوعی فعلی بسیار توانمند هستند و به‌ویژه در وظایف تشخیص الگوی داده‌های بزرگ، بسیار بهتر از انسان‌ها عمل می‌کنند، اما سیستم‌های هوش مصنوعی فعلی مانند ما هوشمند نیستند. سیستم های هوش مصنوعی مانند مغز ما ساختاری ندارند و به روشی مشابه یاد نمی گیرند.
سیستم‌های هوش مصنوعی همچنین از مقادیر زیادی انرژی و منابع برای آموزش استفاده می‌کنند (در مقایسه با سه وعده غذایی ما در روز). توانایی آنها برای انطباق و عملکرد در محیط های پویا و نویز در مقایسه با ما ضعیف است و آنها فاقد قابلیت های حافظه مانند انسان هستند.
تحقیقات ما سیستم‌های غیربیولوژیکی را که بیشتر شبیه مغز انسان هستند بررسی می‌کند. در مطالعه جدیدی که در Science Advances منتشر شد، متوجه شدیم که شبکه‌های خودسازماندهی از میکروسیم‌های نقره‌ای به نظر می‌رسد که به همان شیوه‌ی سخت‌افزار تفکر در سر ما یاد می‌گیرند و به یاد می‌آورند.

تقلید از مغز
کار ما بخشی از یک زمینه تحقیقاتی به نام neuromorphics است که هدف آن تکرار ساختار و عملکرد نورون‌های بیولوژیکی و سیناپس‌ها در سیستم‌های غیربیولوژیکی است. تحقیقات ما بر روی سیستمی متمرکز است که از شبکه ای از "نانوسیم" برای تقلید از نورون ها و سیناپس های مغز استفاده می کند.
این نانوسیم‌ها، سیم‌های کوچکی هستند که عرض یک هزارم موی انسان است. آنها از یک فلز بسیار رسانا مانند نقره ساخته شده اند که معمولاً با یک ماده عایق مانند پلاستیک پوشانده شده است.
نانوسیم‌ها برای تشکیل ساختار شبکه‌ای شبیه به شبکه عصبی بیولوژیکی به خودی خود جمع می‌شوند. مانند نورون ها که دارای غشای عایق هستند، هر نانوسیم فلزی با یک لایه عایق نازک پوشیده شده است.
وقتی نانوسیم‌ها را با سیگنال‌های الکتریکی تحریک می‌کنیم، یون‌ها در سراسر لایه عایق و به نانوسیم همسایه (مانند انتقال‌دهنده‌های عصبی در سیناپس‌ها) مهاجرت می‌کنند. در نتیجه، سیگنال‌های الکتریکی سیناپس مانند را در شبکه‌های نانوسیم مشاهده می‌کنیم.

یادگیری و حافظه
کار جدید ما از این سیستم نانوسیم برای بررسی مسئله هوش شبیه انسان استفاده می کند. محور تحقیقات ما دو ویژگی است که نشان دهنده عملکرد شناختی مرتبه بالا است: یادگیری و حافظه.
مطالعه ما نشان می‌دهد که می‌توانیم به طور انتخابی مسیرهای سیناپسی را در شبکه‌های نانوسیم تقویت (و تضعیف) کنیم. این شبیه "یادگیری تحت نظارت" در مغز است.
در این فرآیند، خروجی سیناپس ها با یک نتیجه مطلوب مقایسه می شود. سپس سیناپس ها تقویت می شوند (اگر خروجی آنها به نتیجه مطلوب نزدیک باشد) یا هرس می شوند (اگر خروجی آنها به نتیجه مطلوب نزدیک نباشد).
ما با نشان دادن اینکه می‌توانیم با «پاداش دادن» یا «تنبیه» شبکه، میزان تقویت را افزایش دهیم، به این نتیجه رسیدیم. این فرآیند از "یادگیری تقویتی" در مغز الهام گرفته شده است.
همچنین نسخه ای از آزمایشی به نام "n-back task" را اجرا کردیم که برای اندازه گیری حافظه کاری در انسان استفاده می شود. این شامل ارائه یک سری از محرک ها و مقایسه هر ورودی جدید با یکی از مواردی است که چند مرحله (n) قبل رخ داده است.
شبکه سیگنال های قبلی را حداقل برای هفت مرحله "به خاطر می آورد". عجیب است که هفت اغلب به عنوان میانگین تعداد مواردی در نظر گرفته می شود که انسان می تواند در یک زمان در حافظه کاری خود نگه دارد.
زمانی که از یادگیری تقویتی استفاده کردیم، شاهد پیشرفت های چشمگیری در عملکرد حافظه شبکه بودیم.
در شبکه‌های نانوسیمی ما، متوجه شدیم که شکل‌گیری مسیرهای سیناپسی بستگی به نحوه فعال شدن آن سیناپس‌ها در گذشته دارد. این در مورد سیناپس‌های مغز نیز صدق می‌کند، جایی که عصب‌شناسان آن را «متاپلاستیک» می‌نامند.

هوش مصنوعی
هوش انسانی هنوز به احتمال زیاد فاصله زیادی با تکرار دارد.
با این حال، تحقیقات ما بر روی شبکه‌های نانوسیم نورومورفیک نشان می‌دهد که امکان پیاده‌سازی ویژگی‌های ضروری برای هوش (مانند یادگیری و حافظه) در سخت‌افزار غیربیولوژیکی و فیزیکی وجود دارد.
شبکه‌های نانوسیمی با شبکه‌های عصبی مصنوعی مورد استفاده در هوش مصنوعی متفاوت هستند. با این حال، ممکن است منجر به "هوش مصنوعی" شوند.
شاید یک شبکه نانوسیم نورومورفیک روزی بیاموزد که مکالماتی داشته باشد که بیشتر از ChatGPT شبیه انسان است و آنها را به خاطر بسپارد. گفتگو

دکتر آلون لوفلر، محقق دانشگاه سیدنی و زدنکا کونچیچ، استاد فیزیک دانشگاه سیدنی
این مقاله با مجوز Creative Commons از The Conversation بازنشر شده است.

https://www.sciencealert.