به گزارش خبرگزاری مهر به نقل از اینترستینگ انجینرینگ، این سخت افزار شبیه مغز می تواند الگوها را بیاموزد و با آموزش های رایانشی کمتری نسبت به سیستم های هوش مصنوعی معمول، پیش بینی انجام دهد. جوزف فریدمن استادیار این دانشگاه معتقد است چنین دستاوردی می تواند شیوه یادگیری ماشین ها را متحول کند.
او در این باره می گوید: تحقیق ما نشان دهنده روشی نوین برای ساخت رایانه های شبیه مغز است که می توانند به تنهایی بیاموزند. از آنجا که رایانه های نورومورفیک نیازمند آموزش رایانشی عظیمی نیستند، آنها می توانند بدون هزینه های کلان انرژی دستگاه های هوشمند را فعال کنند.
رایانه های سنتی حافظه را از پردازش جدا می کنند و به این ترتیب داده به طور مداوم بین این دو در حرکت است. چنین طرحی سبب می شود سیستم های هوش مصنوعی انرژی زیادی مصرف و به شدت به مخازن انبوه برچسب دار داده تکیه کنند. آموزش مدل های بزرگ ممکن است صدها میلیون دلار هزینه داشته باشد.
اما رایانش نورومورفیک به شیوه متفاوتی عمل می کند. این نوع رایانش از مغز الهام می گیرد و در آنجا نورون ها و سیناپس ها اطلاعات را با یکدیگر پردازش و ذخیره می کنند. سیناپس ها براساس فعالیت قدرتمند یا ضعیف می شوند و همین امر یادگیری مداوم را دربر خواهد داشت.
فرید در این باره می افزاید: اصولی که برای آموختن خودکار رایانه استفاده می کنیم، آن است که اگر یک نورون مصنوعی سبب تحریک نورون مصنوعی دیگری شود، سیناپس اتصال دهنده آنها رساناتر می شود.
در هستهٔ این نمونهٔ اولیه، اتصال‌های تونلی مغناطیسی (MTJ) قرار دارند که در حقیقت ابزارهایی در مقیاس نانو به حساب می آیند که از دو لایهٔ مغناطیسی تشکیل شده‌اند و یک لایهٔ عایق میان آنها قرار دارد.الکترون‌ها زمانی آسان‌تر از این سد عبور می‌کنند که دو لایهٔ مغناطیسی در یک جهت هم‌راستا باشند، و زمانی دشوارتر عبور می‌کنند که در جهت‌های مخالف قرار گیرند.
محققان با اتصال چندین MTJ به شکل یک شبکه، سامانه‌ای ساختند که اتصالات خود را در حین عبور سیگنال‌ها به‌طور خودکار تنظیم می‌کند. در این فرایند برخی مسیرها تقویت و برخی دیگر تضعیف می‌شوند که مشابه فرایند تغییر قدرت سیناپس‌های مغز در هنگام یادگیری است.
