پروژه مغز مصنوعی Neuromorphic Intel Loihi تلاشی پیشگامانه از سوی Intel Labs برای توسعه تراشهای است که عملکرد مغز انسان را در پردازش اطلاعات شبیهسازی میکند. تراشه Loihi، که در سال 2017 معرفی شد، از شبکههای عصبی اسپایکینگ (Spiking Neural Networks یا SNNs) استفاده میکند تا محاسبات را بهصورت ناهمزمان و رویدادمحور انجام دهد، مشابه نحوه عملکرد نورونها و سیناپسها در مغز بیولوژیکی. این پروژه با هدف ارائه راهحلهایی برای چالشهای هوش مصنوعی مدرن، مانند مصرف انرژی بالا و تأخیر در پردازش، طراحی شده است و کاربردهایی در رباتیک، پردازش حسی، و سیستمهای خودمختار دارد.
به گزارش ابرار صنعتی، مغز مصنوعی Loihi بهعنوان یک پلتفرم تحقیقاتی توسعه یافته و برای استفاده تجاری در دسترس نیست، اما به پژوهشگران امکان میدهد الگوریتمهای جدید و برنامههای نورومورفیک را آزمایش کنند. این تراشه با شبیهسازی 130,000 نورون و 130 میلیون سیناپس در نسخه اولیه و بهبودهای قابلتوجه در نسخه دوم (Loihi 2)، گامی مهم در جهت ایجاد سیستمهای محاسباتی شبیه به مغز برداشته است.
معرفی پروژه Loihi: گامی بهسوی مغز مصنوعی
پروژه مغز مصنوعی Loihi در سال 2017 توسط Intel Labs بهعنوان بخشی از تلاش برای بازتعریف معماریهای محاسباتی معرفی شد. نام “Loihi” از آتشفشان زیرآبی در هاوایی گرفته شده است که نمادی از ظهور فناوریهای نوین است. این پروژه با هدف ایجاد تراشهای که بتواند یادگیری و پردازش را بهصورت خودکار و با کارایی بالا انجام دهد، آغاز شد. برخلاف پردازندههای سنتی که به محاسبات خطی وابستهاند، Loihi از اصول محاسبات نورومورفیک الهام گرفته و بهدنبال شبیهسازی رفتارهای پویا و تطبیقی مغز است.
این پروژه بخشی از تلاش گستردهتر Intel برای پاسخ به تقاضای روبهرشد برای سیستمهای هوشمندی است که بتوانند در محیطهای پویا و بلادرنگ عمل کنند. Loihi 2، که در سال 2021 معرفی شد، با افزایش ظرفیت نورونی به یک میلیون نورون و بهبود عملکرد تا 10 برابر نسبت به نسخه اولیه، نشاندهنده پیشرفتهای قابلتوجهی در این مسیر است.
تعریف نورومورفیک کامپیوتینگ و جایگاه آن در علم امروز
نورومورفیک کامپیوتینگ (Neuromorphic Computing) شاخهای از علوم کامپیوتر است که از ساختار و عملکرد مغز انسان برای طراحی سیستمهای محاسباتی الهام میگیرد. این رویکرد با استفاده از شبکههای عصبی اسپایکینگ، محاسبات ناهمزمان، و اتصالات پراکنده، بهدنبال ایجاد سیستمهایی است که کارایی، سرعت، و مصرف انرژی بهتری نسبت به معماریهای سنتی مانند فون نویمان داشته باشند. نورومورفیک کامپیوتینگ در حال حاضر بهعنوان یکی از راهحلهای کلیدی برای چالشهای مقیاسپذیری و پایداری در هوش مصنوعی مدرن شناخته میشود.
این فناوری در زمینههایی مانند رباتیک، پردازش بلادرنگ دادههای حسی، و یادگیری تطبیقی کاربرد دارد. با افزایش نیاز به دستگاههای هوشمند کممصرف، نورومورفیک کامپیوتینگ بهعنوان جایگزینی برای پردازندههای سنتی که برای اجرای مدلهای هوش مصنوعی انرژی زیادی مصرف میکنند، اهمیت فزایندهای یافته است.
چرا Intel به سراغ طراحی مغز مصنوعی رفت؟
Intel به دلیل محدودیتهای معماریهای سنتی CPU و GPU، که برای اجرای مدلهای پیچیده هوش مصنوعی مانند شبکههای عصبی عمیق (DNNs) انرژی و زمان زیادی نیاز دارند، به طراحی مغز مصنوعی روی آورد. این محدودیتها شامل مصرف انرژی بالا، تأخیر در پردازش بلادرنگ، و ناتوانی در یادگیری مداوم از دادههای جدید است. نورومورفیک کامپیوتینگ با الهام از مغز انسان، که با مصرف انرژی کم (حدود 20 وات) قادر به انجام محاسبات پیچیده است، راهحلی برای این چالشها ارائه میدهد.
علاوه بر این، Intel با توسعه Loihi بهدنبال ایجاد پلتفرمی بود که بتواند الگوریتمهای تطبیقی و یادگیری بلادرنگ را پشتیبانی کند، بهویژه برای کاربردهایی مانند رباتیک و خودروهای خودران که نیاز به واکنش سریع در محیطهای پویا دارند. این پروژه همچنین بخشی از استراتژی Intel برای حفظ جایگاه خود در بازار فناوریهای نوظهور است.
معماری Loihi: شبکهای شبیه به مغز انسان
معماری Loihi از 128 هسته نورومورفیک تشکیل شده که هر یک شامل تعداد زیادی نورون مصنوعی و سیناپس است. در Loihi 1، این تراشه 130,000 نورون و 130 میلیون سیناپس را شبیهسازی میکند، در حالی که Loihi 2 با استفاده از فرآیند 7 نانومتری Intel 4، تا یک میلیون نورون و 120 میلیون سیناپس را پشتیبانی میکند. این هستهها از طریق یک شبکه ناهمزمان روی تراشه (Network-on-Chip) به هم متصل شدهاند که امکان انتقال پیامهای اسپایک را فراهم میکند.
هر هسته نورومورفیک در Loihi بهعنوان یک پردازنده سیگنال دیجیتال قابلبرنامهریزی عمل میکند که برای شبیهسازی دینامیکهای عصبی بیولوژیکی بهینه شده است. این معماری از مدلهای عصبی قابلبرنامهریزی و اتصالات پراکنده پشتیبانی میکند، که آن را از پردازندههای سنتی متمایز میسازد.
ویژگیهای کلیدی تراشه Loihi
- طراحی مبتنی بر نورونها و سیناپسها (شبیهسازی شبکه عصبی واقعی)
- یادگیری تطبیقی (Adaptive Learning)
- استفاده از مدل Spiking Neural Networks (SNN)
- عملکرد بلادرنگ (Real-Time Processing)
- مصرف انرژی بسیار پایین
- امکان پردازش توزیعشده و مقیاسپذیر
- یادگیری بدون نظارت و بدون نیاز به داده برچسبدار
- سرعت بالای محاسبات در تعامل با محیط
هوش مصنوعی نورومورفیک چیست و چرا مهم است؟
هوش مصنوعی نورومورفیک به سیستمهایی اشاره دارد که از اصول محاسباتی مغز انسان، مانند شبکههای عصبی اسپایکینگ، برای پردازش اطلاعات استفاده میکنند. این سیستمها بهجای محاسبات پیوسته و ماتریسی که در شبکههای عصبی عمیق رایج است، از اسپایکهای ناهمزمان برای انتقال اطلاعات استفاده میکنند، که منجر به مصرف انرژی کمتر و پردازش سریعتر میشود. اهمیت این فناوری در توانایی آن برای اجرای وظایف هوش مصنوعی در محیطهای محدود از نظر انرژی و تأخیر، مانند دستگاههای لبه (Edge Devices) است.
این فناوری بهویژه برای کاربردهایی که نیاز به یادگیری مداوم و تطبیقی دارند، مانند رباتیک و سیستمهای خودمختار، حیاتی است. هوش مصنوعی نورومورفیک همچنین پتانسیل کاهش مصرف انرژی در مقیاسهای بزرگ، مانند مدلهای زبانی بزرگ (LLMs)، را دارد که در حال حاضر به دلیل نیاز به آموزش مکرر، انرژی زیادی مصرف میکنند.
تفاوت Loihi با CPU و GPU سنتی
Loihi در مقایسه با CPU و GPU سنتی تفاوتهای اساسی دارد. CPU و GPU بر اساس معماری فون نویمان عمل میکنند، که در آن حافظه و پردازش از هم جدا هستند و دادهها باید بین این دو جابهجا شوند، که باعث افزایش مصرف انرژی و تأخیر میشود. در مقابل، Loihi از معماری نورومورفیک استفاده میکند که حافظه و پردازش را در یک مکان ادغام کرده و از اسپایکهای ناهمزمان برای ارتباط بین نورونها بهره میبرد.
علاوه بر این، Loihi برای محاسبات پراکنده و رویدادمحور بهینه شده است، در حالی که CPU و GPU برای محاسبات ماتریسی متراکم طراحی شدهاند. این ویژگی Loihi را تا 1000 برابر کارآمدتر در انرژی برای برخی وظایف خاص، مانند پردازش حسی بلادرنگ، میسازد.
ساختار نورونها و سیناپسها در تراشه Loihi
نورونهای مصنوعی در Loihi بهگونهای طراحی شدهاند که رفتار نورونهای بیولوژیکی را شبیهسازی کنند. هر نورون میتواند بهصورت مستقل اسپایکهایی را بر اساس آستانهای مشخص تولید کند، که این اسپایکها از طریق سیناپسها به نورونهای دیگر منتقل میشوند. سیناپسها در Loihi قابلتنظیم هستند و میتوانند بر اساس الگوهای یادگیری، مانند یادگیری سهفاکتوری، تغییر کنند. در Loihi 2، این سیناپسها از پیامهای اسپایک با مقادیر غیرباینری (تا 32 بیت) پشتیبانی میکنند، که انعطافپذیری بیشتری در مدلهای عصبی فراهم میکند.
هر هسته نورومورفیک در مغز مصنوعی Loihi شامل ساختارهای حافظه تخصصی برای ذخیره اتصالات سیناپسی است، که امکان پردازش سریع و کممصرف را فراهم میکند. این طراحی به Loihi امکان میدهد تا شبکههای عصبی پیچیده را با کارایی بالا شبیهسازی کند.
الگوریتمهای یادگیری تطبیقی در معماری Loihi
Loihi از الگوریتمهای یادگیری تطبیقی پشتیبانی میکند که امکان یادگیری بلادرنگ و بدون نیاز به آموزش گسترده را فراهم میکنند. این الگوریتمها شامل قوانین یادگیری مبتنی بر اسپایک، مانند یادگیری وابسته به زمان اسپایک (STDP) و یادگیری سهفاکتوری هستند. Loihi 2 همچنین از تقریبی از الگوریتم پسانتشار (Backpropagation) پشتیبانی میکند، که امکان اجرای مدلهای پیچیدهتر را فراهم میسازد.
این الگوریتمها به Loihi امکان میدهند تا از دادههای ورودی بهصورت پویا یاد بگیرد و اتصالات سیناپسی را در پاسخ به محرکها تنظیم کند. این ویژگی برای کاربردهایی مانند تشخیص الگوهای جدید یا پردازش دادههای حسی در محیطهای متغیر حیاتی است .
مزایای مصرف انرژی کم در تراشههای نورومورفیک
یکی از بزرگترین مزایای Loihi مصرف انرژی پایین آن است. این تراشه با استفاده از محاسبات پراکنده و رویدادمحور، تنها زمانی که اسپایکها تولید میشوند فعال میشود، که مصرف انرژی را بهطور قابلتوجهی کاهش میدهد. بهعنوان مثال، سیستم Hala Point، که از 1152 تراشه Loihi 2 تشکیل شده، با مصرف حداکثر 2600 وات، 1.15 میلیارد نورون را پشتیبانی میکند و کارایی انرژی تا 15 ترا عملیات بر وات (TOPS/W) را ارائه میدهد.
در مقایسه، پردازندههای سنتی برای وظایف مشابه ممکن است تا 100 برابر انرژی بیشتری مصرف کنند. این کارایی انرژی Loihi را برای دستگاههای لبه، مانند رباتها و حسگرهای هوشمند، که محدودیتهای توان دارند، ایدهآل میسازد.
زمان پاسخدهی آنی مغز مصنوعی اینتل
مغز مصنوعی Loihi به دلیل استفاده از محاسبات ناهمزمان و رویدادمحور، زمان پاسخدهی بسیار سریعی دارد. برخلاف GPUها که برای پردازش دادههای بلادرنگ نیاز به دستهبندی (Batching) دارند، Loihi میتواند دادهها را بهصورت بلادرنگ پردازش کند. بهعنوان مثال، Loihi 2 میتواند شبکههای نورومورفیک را تا 5000 برابر سریعتر از مغز بیولوژیکی پردازش کند، با زمان گامهای وحدت کمتر از 200 نانوثانیه.
این سرعت برای کاربردهایی مانند رباتیک و خودروهای خودران، که نیاز به واکنش سریع به تغییرات محیطی دارند، حیاتی است. آزمایشها نشان دادهاند که Loihi میتواند وظایفی مانند تشخیص حرکت در ویدئو را با تأخیر بسیار کم انجام دهد.
کاربرد Loihi در پردازش حسی و محیطهای واقعی
Loihi در پردازش حسی بلادرنگ، مانند تشخیص بو، بینایی، و لامسه، عملکرد برجستهای دارد. بهعنوان مثال، محققان دانشگاه کرنل با استفاده از Loihi توانستهاند مواد شیمیایی خطرناک را در حضور نویز و اختلال شناسایی کنند. همچنین، پژوهشگران دانشگاه ملی سنگاپور سیستمی رباتیک با پوست مصنوعی و حسگرهای بینایی توسعه دادهاند که از Loihi برای پردازش دادههای حسی استفاده میکند.
این توانایی در پردازش دادههای حسی در محیطهای واقعی، Loihi را برای کاربردهایی مانند رباتهای امداد و نجات، نظارت محیطی، و دستگاههای هوشمند مناسب میسازد.
بررسی مدل Spiking Neural Network و اجرای آن در Loihi
شبکههای عصبی اسپایکینگ (SNNs) مدلهایی هستند که از رفتار نورونهای بیولوژیکی تقلید میکنند، با استفاده از اسپایکهای گسسته برای انتقال اطلاعات بهجای سیگنالهای پیوسته. در Loihi، SNNها بهصورت ناهمزمان اجرا میشوند، که امکان پردازش پراکنده و کممصرف را فراهم میکند. هر نورون در SNN میتواند بهصورت مستقل فعال شود و اسپایکهایی را بر اساس آستانه مشخص تولید کند.
Loihi از مدلهای نورونی قابلبرنامهریزی پشتیبانی میکند که امکان اجرای انواع مختلف SNNها، از جمله مدلهای Leaky Integrate-and-Fire (LIF)، را فراهم میسازد. آزمایشها نشان دادهاند که SNNهای اجرا شده روی Loihi در مقایسه با شبیهسازیهای سنتی، دقت بالایی را با مصرف انرژی بسیار کمتر ارائه میدهند.
چگونه مغز مصنوعی اینتل با محیط تعامل یادگیرنده دارد؟
Loihi با استفاده از الگوریتمهای یادگیری تطبیقی و SNNها، قادر به تعامل یادگیرنده با محیط است. این تراشه میتواند الگوهای جدید را از دادههای ورودی شناسایی کرده و اتصالات سیناپسی خود را بهصورت پویا تنظیم کند. بهعنوان مثال، Loihi میتواند در پاسخ به محرکهای محیطی، مانند تغییرات در دادههای بصری یا صوتی، رفتار خود را بهروزرسانی کند، که این ویژگی برای یادگیری مداوم در محیطهای پویا ضروری است.
این قابلیت از طریق یادگیری سهفاکتوری و STDP امکانپذیر است، که به Loihi اجازه میدهد تا بهصورت بلادرنگ از محیط یاد بگیرد بدون نیاز به آموزش گسترده در خارج از دستگاه.
معماری غیرمتمرکز Loihi و مزایای آن
معماری غیرمتمرکز Loihi به این معناست که نورونها و سیناپسها بهصورت محلی پردازش میشوند و نیازی به انتقال دادهها به حافظه خارجی نیست. این رویکرد مصرف انرژی و تأخیر را کاهش میدهد، زیرا ارتباطات بین نورونها از طریق اسپایکهای ناهمزمان انجام میشود. این معماری همچنین امکان مقیاسپذیری بالا را فراهم میکند، همانطور که در سیستم Hala Point با 1.15 میلیارد نورون نشان داده شده است.
مزایای این معماری شامل کارایی انرژی، سرعت پردازش بالا، و توانایی اجرای وظایف پیچیده در محیطهای محدود از نظر توان است. این ویژگی Loihi را برای کاربردهای لبهای و سیستمهای خودمختار ایدهآل میسازد.
سناریوهای کاربردی در رباتیک و کنترل حرکتی
Loihi در رباتیک و کنترل حرکتی کاربردهای متعددی دارد. این تراشه میتواند دادههای حسی را از حسگرهای بصری، لمسی، و صوتی پردازش کرده و دستورات حرکتی را بهصورت بلادرنگ تولید کند. بهعنوان مثال، در آزمایشهای انجامشده توسط دانشگاه ملی سنگاپور، Loihi برای کنترل یک سیستم رباتیک با پوست مصنوعی استفاده شد که قادر به تشخیص لمس و حرکت بود.
علاوه بر این، Loihi میتواند برای برنامهریزی مسیر و اجتناب از موانع در رباتها استفاده شود، که این امر در رباتهای امداد و نجات یا رباتهای صنعتی اهمیت دارد.
کاربردهای اصلی Loihi
- رباتهای هوشمند و خودمختار
- کنترل سیگنالهای عصبی و پروتزهای پیشرفته
- تحلیل لحظهای دادههای صوتی و تصویری
- سیستمهای تشخیص حرکت و گفتار
- پردازش لبه در اینترنت اشیاء IoT Edge
- شبیهسازی مغز و مطالعه علوم اعصاب
- خودروهای خودران
- سامانههای امنیتی و دفاعی تطبیقی
پتانسیل Loihi در خودروهای خودران
Loihi پتانسیل بالایی برای استفاده در خودروهای خودران دارد، زیرا میتواند دادههای حسی بلادرنگ، مانند تصاویر دوربین و دادههای رادار، را با تأخیر کم و مصرف انرژی پایین پردازش کند. این تراشه با استفاده از SNNها، قادر به تشخیص الگوهای پیچیده، مانند شناسایی عابران پیاده یا موانع، است. آزمایشها نشان دادهاند که Loihi میتواند وظایف تشخیص ویدئویی را با انرژی 1000 برابر کمتر از پردازندههای سنتی انجام دهد.
این توانایی Loihi را به گزینهای مناسب برای سیستمهای خودران تبدیل میکند که نیاز به پردازش سریع و کارآمد در محیطهای پویا دارند.
کاربردهای پزشکی مغز مصنوعی اینتل
در حوزه پزشکی، Loihi برای کاربردهایی مانند تشخیص بیماریها، پردازش دادههای زیستی، و توسعه پروتزهای هوشمند استفاده شده است. بهعنوان مثال، پروژهای در همکاری با بیمارستان ALYN و دانشگاه آزاد اسرائیل از Loihi برای توسعه سیستمهای رباتیک برای توانبخشی بیماران استفاده کرد. این سیستمها از حسگرهای حسی و Loihi برای پردازش دادههای حرکتی استفاده میکنند.
علاوه بر این، توانایی Loihi در پردازش دادههای حسی بلادرنگ، آن را برای توسعه دستگاههای پزشکی مانند حسگرهای زیستی و سیستمهای نظارت بر بیماران مناسب میسازد.
آیا Loihi میتواند مغز مصنوعی واقعی باشد؟
گرچه مغز مصنوعی Loihi گامی بزرگ در جهت شبیهسازی مغز انسان است، اما هنوز نمیتوان آن را یک مغز مصنوعی واقعی دانست. مغز انسان با بیش از 80 میلیارد نورون و تریلیونها سیناپس، پیچیدگی بینظیری دارد که فراتر از قابلیتهای فعلی Loihi است. با این حال، سیستم Hala Point با 1.15 میلیارد نورون، معادل پیچیدگی مغز یک جغد یا قشر مغز یک میمون کاپوچین است، که نشاندهنده پیشرفت قابلتوجهی است.
Loihi بهجای شبیهسازی کامل مغز، بر روی تقلید از برخی جنبههای آن، مانند یادگیری تطبیقی و پردازش پراکنده، تمرکز دارد. این ویژگیها آن را به ابزاری قدرتمند برای کاربردهای خاص تبدیل میکنند، اما برای رسیدن به هوش مصنوعی عمومی (AGI) همچنان راه درازی در پیش است.
