نصف جهان:محققان دانشگاه ميشيگان يک مدار کامپيوتري جديد مبتني بر ممريستور (Memristor) ارائه کرده‌اند که قادر است داده‌هاي پيچيده‌اي نظير عکس و تصاوير ويدئويي را سريع‌تر و با صرف توان کمتري نسبت به سامانه‌هاي پيشرفته فعلي پردازش کند. در اين روش از بينايي پستاندارن الهام گرفته شده است.

به‌ عقيده «وي لو» استاد مهندسي برق و علوم کامپيوتر اين دانشگاه، در آينده توانايي پردازش سريع‌تر تصاوير، نقش مهمي در توسعه سامانه‌هاي خودکار نظير خودران‌ها خواهد داشت. اجزاي به کار رفته در اين کامپيوتر، از شناسايي الگو استفاده مي‌کنند و نسبت به روش‌هاي فعلي پردازش تصاوير، توان بسيار کمتري صرف مي‌کنند.

اين محققان الگوريتمي عرضه کرده‌اند که با تکيه بر روشي موسوم به Sparse Coding آرايه‌اي به ابعاد 32 در 32 ممريستور را براي تجزيه و تحليل و بازسازي بهينه چند عکس به کار مي‌گيرد.

ممريستور مقاومت‌ الکتريکي حافظه‌داري است که جريان را بر اساس سابقه ولتاژهاي اعمال شده به آن تنظيم مي‌کند و اين قابليت را دارد که داده‌ها را همزمان ذخيره و پردازش کند و همين ويژگي، آنها را کارآمدتر از سامانه‌هاي پردازشي مرسوم مي‌کند. زيرا در يک کامپيوتر رايج، واحدهاي مسئول عمليات منطقي و ذخيره‌سازي در بخش‌هاي مجزايي از مدار قرار گرفته‌اند. همانطور که لو اشاره مي‌کند: «وظايفي که ما از کامپيوترهاي امروزي انتظار داريم، روزبه‌روز پيچيده‌تر مي‌شوند.

در عصر بزرگ داده‌ها، کامپيوترها براي اينکه بتوانند مقادير زيادي از داده‌ها را به کار گيرند، بين پردازنده و حافظه خود از ارتباطاتي استفاده مي‌کنند که گرانقيمت، بدون تغيير و کند هستند و همين امر آنها را به دستگاه‌هايي بزرگ، گرانقيمت و با مصرف بالاي توان تبديل کرده است.» اما شبکه‌هايي از ممريستورها مي‌توانند بسياري از عمليات‌ مورد نياز را بدون اينکه مجبور به انتقال و جابه‌جايي اطلاعات باشند، در آن واحد انجام دهند، مشابه شبکه‌هاي عصبي موجود در مغز جانوران. در نتيجه مي‌توان با کمک آنها پلتفرم‌هاي جديدي ايجاد کرد که حجم زيادي از سيگنال‌ها را به طور موازي پردازش مي‌کنند و قادر به اجراي يادگيري ماشيني پيشرفته‌اي هستند. در واقع، ممريستور انتخاب خوبي براي استفاده در شبکه‌هاي عصبي عميق است. شاخه‌اي از يادگيري ماشيني که طي آن کامپيوتر آموزش مي‌بيند فرآيندها را بدون اينکه براي آن برنامه‌نويسي شده باشد اجرا کند.

ما به نسل جديدي از مدارهاي الکترونيکي نياز داريم که قادر باشند به‌سرعت داده‌هاي پيچيده‌اي را در يک محيط پويا و دائماً متغير پردازش کنند و به‌ گفته لو: «براي اين کار نمي‌توانيد به نوشتن يک برنامه تکيه کنيد.»

او معتقد است: «براي اينکه سامانه‌هاي هوشمندتري بسازيم، بايد راهي پيدا کنيم تا آنها بتوانند داده‌هاي بيشتري را به طور کارآمدتر پردازش کنند. پيشنهاد ما براي اين کار الهام گرفتن از علوم عصبي است.» مغز پستانداران قادر است در کسري از ثانيه برداشت خود را از آنچه چشم مي‌بيند به دست آورد. انسان اين کار را تنها با استفاده از تعداد محدودي از عصب‌هاي فعال شده انجام مي‌دهد. فرآيندي که هم عصب‌شناسان و هم کارشناسان کامپيوتر از آن تحت عنوان Sparse Coding ياد مي‌کنند.

لو اين فرآيند را چنين توضيح مي‌دهد: «وقتي به يک صندلي نگاه مي‌کنيم، آن را (به‌عنوان يک صندلي) تشخيص مي‌دهيم، زيرا ويژگي‌هاي آن متناظر است با تصويري که از يک صندلي در مغزمان ذخيره شده است. هرچند صندلي‌ها با هم فرق دارند، اما مجموعه‌اي از ويژگي‌هاي کليدي در همه صندلي‌ها وجود دارد که تشخيص صندلي بودن را براي ما ساده مي‌کند. يک شيء زماني به‌طور صحيح شناسايي مي‌شود که به‌درستي در مغز طبقه‌بندي شده باشد. سامانه دانشگاه ميشيگان هم به گونه‌اي طراحي شده است که الگوها را به‌طور بسيار کارآمد شناسايي کند، به طوري که بتواند با استفاده از کمترين ويژگي‌ها، آنچه ديده است را توصيف کند. در مغز سلول‌هاي عصبي مختلفي وظيفه شناسايي الگوهاي مختلفي را برعهده دارند. وقتي عکسي را مي‌بينيم، سلول‌هايي که آن را تشخيص مي‌دهند فعال‌تر خواهند شد. از سوي ديگر، سلول‌هاي عصبي براي ايجاد يک بازنمايي کارآمد طبيعي با يکديگر رقابت مي‌کنند. ما در سامانه الکترونيکي خود اين روش را پياده‌سازي کرديم.»

اين محققان سامانه را با مجموعه‌اي از تصاوير آموزش دادند و شبکه ممريستور آنها قادر به بازسازي الگوهايي آزمايشي نظير تصاويري از نقاشي‌ها و عکس‌هاي معروف است.

آنها اميدوارند روزي بتوانند با استفاده از يک سامانه کوچک که به‌طور مستقيم با حسگرها يا دوربين‌ها يکپارچه خواهد شد، اين روش را براي پردازش و تجزيه و تحليل بي‌درنگ تصاوير ويدئويي به کار ببرند. لازم به ذکر است اين تحقيق بخشي از پروژه حدود هفت ميليون دلاري است که هدف آن ساخت تراشه‌اي کامپيوتري براساس شبکه‌هاي عصبي تطبيق‌پذير و خودسازمانده بوده و از سوي نهادهاي نظامي حمايت مي‌شود.