في خطوة مهمة نحو حوسبة أكثر كفاءة واستدامة، طور باحثون في جامعة تكساس في دالاس نموذجاً أولياً لكمبيوتر عصبي (Neuromorphic). يمكن لهذا الجهاز المستوحى من بنية الدماغ البشري تعلم الأنماط وإجراء التنبؤات باستخدام طاقة أقل بكثير وعمليات تدريب أقل تعقيداً من أنظمة الذكاء الاصطناعي التقليدية باهظة التكلفة.
- مقدمة: حدود الذكاء الاصطناعي التقليدي
- ما هي الحوسبة العصبية (Neuromorphic Computing)؟
- الفرق الجوهري بين الحوسبة التقليدية والعصبية
- النموذج الأولي لجامعة تكساس في دالاس
- التعلم المستوحى من الدماغ: تطبيق قانون هيب
- الابتكار الرئيسي: الوصلات النفقية المغناطيسية (MTJs)
- الإمكانات المستقبلية والتحديات القادمة
- FAQs
Body:
مقدمة: حدود الذكاء الاصطناعي التقليدي
هل يمكن لأجهزة الكمبيوتر أن تتعلم يوماً ما بشكل يشبه الطريقة التي يتعلم بها البشر، دون الحاجة إلى الاعتماد على أنظمة الذكاء الاصطناعي الحالية التي تتطلب تدريباً مكلفاً للغاية واستهلاكاً هائلاً للطاقة؟ تعتمد نماذج الذكاء الاصطناعي الحديثة على عمليات تدريب معقدة على كميات هائلة من البيانات، مما يجعلها حكراً على الشركات الكبرى ويثير مخاوف بشأن استدامتها البيئية وتكاليفها التي قد تصل إلى مئات الملايين من الدولارات.
ما هي الحوسبة العصبية (Neuromorphic Computing)؟
قد تكون الحوسبة العصبية هي الإجابة على هذا التحدي. هذه التكنولوجيا الناشئة تتميز بأجهزة كمبيوتر مستوحاة من بنية ووظيفة الدماغ البشري. يمكن لهذه الأنظمة أداء مهام الذكاء الاصطناعي بكفاءة أكبر بكثير، باستخدام طاقة أقل وعمليات تدريب أبسط مقارنة بالأنظمة التقليدية.
تمتلك أجهزة الكمبيوتر العصبية القدرة على تقليل الاعتماد على مراكز البيانات الضخمة والمكلفة، وجلب قدرات التعلم والاستدلال المتقدمة بالذكاء الاصطناعي مباشرة إلى الأجهزة المحمولة والأجهزة الطرفية.
الفرق الجوهري بين الحوسبة التقليدية والعصبية
تحافظ أجهزة الكمبيوتر التقليدية ووحدات معالجة الرسومات (GPUs) على فصل مادي بين تخزين الذاكرة ووحدات المعالجة. هذا الفصل، المعروف باسم ”عنق زجاجة فون نيومان“، يؤدي إلى عدم الكفاءة واستهلاك كبير للطاقة عند نقل البيانات ذهاباً وإياباً، خاصة في مهام الذكاء الاصطناعي.
في المقابل، تدمج أجهزة الكمبيوتر العصبية الذاكرة والمعالجة في نفس المكونات، مما يعكس بنية الدماغ، حيث تقوم شبكات الخلايا العصبية (Neurons) والمشابك العصبية (Synapses) بمعالجة المعلومات وتخزينها في نفس الوقت. يتيح هذا التصميم أداء عمليات الذكاء الاصطناعي بكفاءة أكبر وتكاليف أقل بكثير.
النموذج الأولي لجامعة تكساس في دالاس
حقق الدكتور جوزيف س. فريدمان وفريقه في مختبر NeuroSpinCompute بجامعة تكساس في دالاس (UT Dallas) خطوة مهمة إلى الأمام من خلال إنشاء نموذج أولي صغير الحجم يجسد هذه المبادئ. يمكن لهذا النموذج الأولي تعلم الأنماط وإجراء التنبؤات باستخدام عمليات تدريب أقل بكثير من أنظمة الذكاء الاصطناعي التقليدية.
قال فريدمان: «يُظهر عملنا مساراً جديداً محتملاً لبناء أجهزة كمبيوتر مستوحاة من الدماغ يمكنها التعلم بمفردها. نظراً لأن أجهزة الكمبيوتر العصبية لا تحتاج إلى كميات هائلة من حسابات التدريب، فإنها يمكن أن تشغل الأجهزة الذكية دون تكاليف طاقة ضخمة».
التعلم المستوحى من الدماغ: تطبيق قانون هيب
يعتمد نهج فريدمان على مبدأ اقترحه عالم النفس العصبي الدكتور دونالد هيب، والمعروف باسم قانون هيب: «الخلايا العصبية التي تنشط معاً، تترابط معاً». في الدماغ، تقوى الروابط المشبكية بين الخلايا العصبية أو تضعف بناءً على أنماط النشاط، مما يسمح للدماغ بالتكيف والتعلم باستمرار.
أوضح فريدمان: «المبدأ الذي نستخدمه لكي يتعلم الكمبيوتر بمفرده هو أنه إذا تسببت خلية عصبية اصطناعية في تنشيط خلية عصبية اصطناعية أخرى، فإن المشبك العصبي الذي يربطهما يصبح أكثر توصيلاً».
الابتكار الرئيسي: الوصلات النفقية المغناطيسية (MTJs)
يتمثل الابتكار الرئيسي في تصميم فريدمان في استخدام الوصلات النفقية المغناطيسية (MTJs) كمشابك عصبية اصطناعية. هذه الأجهزة النانوية تتكون من طبقتين من المواد المغناطيسية مفصولة بطبقة عازلة رقيقة. يمكن التحكم في مقاومة هذه الوصلات (مدى سهولة مرور الإلكترونات عبرها) عن طريق تغيير اتجاه المغنطة في الطبقات.
في هذا النظام العصبي، تحاكي MTJs الطريقة التي يتعلم بها الدماغ. عندما تمر الإشارات عبرها بطريقة منسقة، تتكيف مقاومتها لتقوية مسارات معينة. يجعل التبديل الثنائي المستقر لـ MTJs موثوقاً بها لتخزين المعلومات، مما يحل تحدياً طالما أعاق المناهج العصبية الأخرى التي اعتمدت على مكونات أقل استقراراً.
الإمكانات المستقبلية والتحديات القادمة
يمثل هذا النموذج الأولي إثباتاً واعداً للمفهوم. التحدي التالي الذي يواجه الفريق هو توسيع نطاق هذا النموذج الأولي إلى أحجام أكبر وأكثر تعقيداً قادرة على التعامل مع مهام الذكاء الاصطناعي المتقدمة. إذا نجحت الحوسبة العصبية في التوسع، فقد تحدث ثورة في مجال الذكاء الاصطناعي من خلال جعله أكثر كفاءة في استخدام الطاقة ومتاحاً في كل مكان، من الهواتف الذكية والروبوتات المستقلة إلى الأجهزة الطبية القابلة للارتداء.
FAQs
س: ما هي الحوسبة العصبية (Neuromorphic Computing)؟
ج: هي نهج لتصميم أجهزة الكمبيوتر مستوحى من بنية ووظيفة الدماغ البشري، بهدف معالجة المعلومات بكفاءة أكبر بكثير في استهلاك الطاقة مقارنة بأجهزة الكمبيوتر التقليدية.
س: كيف تختلف الحوسبة العصبية عن الذكاء الاصطناعي التقليدي؟
ج: يتطلب الذكاء الاصطناعي التقليدي تدريباً مكثفاً ويستهلك الكثير من الطاقة، بينما تهدف الحوسبة العصبية إلى التعلم بشكل أكثر كفاءة، وغالباً ما تدمج الذاكرة والمعالجة في نفس المكونات (على عكس الفصل الموجود في الحواسيب التقليدية).
س: ما هي الوصلات النفقية المغناطيسية (MTJs)؟
ج: هي أجهزة نانوية تستخدم الخصائص المغناطيسية للتحكم في تدفق الإلكترونات. في هذا النموذج الأولي، تعمل كـ «مشابك عصبية اصطناعية»، حيث تخزن المعلومات وتضبط قوة الاتصالات بين الخلايا العصبية الاصطناعية.
س: ما هي الفوائد المحتملة لهذه التكنولوجيا؟
ج: تشمل الفوائد انخفاضاً كبيراً في استهلاك الطاقة لمهام الذكاء الاصطناعي، وتقليل تكاليف التدريب، والقدرة على جلب التعلم الآلي المتقدم إلى الأجهزة المحمولة الصغيرة دون الاعتماد المستمر على السحابة.
