گروهی از پژوهشگران چینی با الهام از ساختارهای زیستی موفق شدهاند گامی مهم در درک سازوکارهای حافظه انسان بردارند. آنها با طراحی و آزمایش نانوکانالهایی ویژه، برای نخستینبار شواهد تجربی معناداری از نحوه عملکرد حافظه در مغز ارائه کردهاند؛ دستاوردی که میتواند هم فهم ما از یادگیری را دگرگون کند و هم مسیر توسعه سامانههای هوش مصنوعی کممصرف و نورومورفیک را هموار سازد.
این پژوهش حاصل همکاری محققان مؤسسه فیزیک مدرن آکادمی علوم چین و دانشگاه لانژو بوده و نتایج آن در نشریه علمی Advanced Functional Materials منتشر شده است. اهمیت این تحقیق در ایجاد پیوندی میان علوم اعصاب، فناوری نانو و محاسبات الهامگرفته از مغز نهفته است؛ حوزههایی که هر یک بهتنهایی نقشی کلیدی در فناوریهای آینده ایفا میکنند.
یادگیری و حافظه در مغز انسان بر پایه شبکهای پویا از سیناپسها شکل میگیرد؛ اتصالهایی ظریف که نهتنها پیامهای عصبی را منتقل میکنند، بلکه دائماً در حال تغییر و بازآرایی هستند. همین ویژگی پویا به مغز امکان میدهد اطلاعات را ذخیره کند، آنها را به یاد آورد و با محیط سازگار شود. شگفتانگیزتر آنکه همه این پردازشهای پیچیده با مصرف انرژی بسیار اندک انجام میگیرد؛ مزیتی که هنوز هیچ سامانه مصنوعی بهطور کامل به آن دست نیافته است.
در سامانه عصبی طبیعی، سیناپسها رفتاری شبیه به «ممریستور»ها دارند؛ عناصری که همزمان قادر به پردازش و نگهداری اطلاعات هستند. این رفتار ناشی از جابهجایی دقیق یونها و انتقالدهندههای عصبی در مقیاس نانو است. تنظیم قدرت اتصال سیناپسی بر اساس فعالیتهای پیشین، همان مکانیسمی است که حافظه و یادگیری را ممکن میسازد. بازآفرینی چنین عملکردی در سامانههای مصنوعی، بهویژه در محیطهای مایع، یکی از چالشهای اساسی پژوهشهای نورومورفیک به شمار میرود.
در این تحقیق، دانشمندان توانستند اثر ممریستیو را در نانوکانالهای زیستالهام از طریق دو سازوکار متفاوت بهصورت تجربی مشاهده کنند. نخست، نقش یونهای دوظرفیتی مانند کلسیم و منیزیم در غربالگری بار الکتریکی و دوم، فرایند برداشت پروتون که تحت تأثیر تغییرات اسیدیته محیط رخ میدهد. هر دو مکانیسم، کنترل عبور یونها در نانوکانالها را بر عهده دارند و رفتاری مشابه سیناپسهای واقعی ایجاد میکنند.
برای ساخت این ساختارهای نانومقیاس، پژوهشگران از تجهیزات پیشرفته میکروپرتوی تکیونی در مرکز پژوهش یونهای سنگین لانژو استفاده کردند. نانوحفرههای ایجادشده به دلیل عدم تقارن در انتقال یونها و اثرات سطحی داخل کانال، رفتار هیسترزیسی مشخصی از خود نشان دادند؛ رفتاری که مشخصه اصلی عناصر حافظهدار مانند ممریستورهاست.
این ممریستور نانوسیال، تنها یک نمونه آزمایشگاهی ساده نیست، بلکه قادر است چندین ویژگی کلیدی حافظه زیستی را بازتولید کند. از جمله این ویژگیها میتوان به تقویت کوتاهمدت و بلندمدت سیگنالها اشاره کرد که از پایههای اصلی فرآیند یادگیری در مغز محسوب میشوند. همچنین پدیدههایی مانند تسهیل و تضعیف ضربههای جفتی، که از رفتارهای شناختهشده سیناپسی هستند، در این سامانه مصنوعی شبیهسازی شدهاند.
محققان نشان دادند که وزنهای سیناپسی را میتوان بهصورت پویا در این نانوکانالها تنظیم و کدگذاری کرد؛ قابلیتی که نقش اساسی در یادگیری تطبیقی سامانههای نورومورفیک دارد. برای بررسی کاربرد عملی این فناوری، یک شبکه عصبی مصنوعی سهلایه برای تشخیص الگو طراحی شد.
این شبکه با استفاده از مجموعه داده ارقام دستنویس آموزش دید و در مرحله آزمایش به دقت تشخیص ۹۴.۶ درصد دست یافت؛ عملکردی که با بسیاری از سامانههای مبتنی بر ممریستورهای حالتجامد قابل رقابت است. این نتیجه نشان میدهد که ممریستورهای نانوسیال میتوانند گزینهای جدی برای نسل آینده سختافزارهای هوش مصنوعی باشند.
