پردازش نورومورفیک می‌تواند هرچیزی را در صنعت تکنولوژی دگرگون کند. از برنامه‌نویسی گرفته تا سخت‌افزارها. همانطور که از نامش پیداست، پردازش نورومورفیک که به نام «محاسبات عصبی» نیز شناخته می‌شود، با استفاده از مدلی الهام‌گرفته از ساز و کار مغز انسان عمل می‌کند. مغز انسان بهترین مدل ممکن برای پردازش به حساب می‌آید. برخلاف ابرکامپیوترها که ابعادی معادل یک اتاق کامل دارند، مغز بسیار جمع‌وجور است و در فضایی به اندازه جمجمه شما جای می‌گیرد.
مغز ضمنا به انرژی بسیار کمتری نسبت به اکثر ابرکامپیوترها نیاز دارد: در واقع مغز شما نیازمند حدودا ۲۰ وات است و در همین حال، ابرکامپیوتر فوگاکو به ۲۸ مگاوات نیاز دارد. اگر بخواهیم طور دیگری بگوییم، مغز نیازمند تنها ۰.۰۰۰۰۷ درصد از انرژی فوگاکو است. از طرف دیگر، درحالی که ابرکامپیوترها به سیستم‌های خنک‌کننده بسیار پیشرفته نیاز دارند، مغز ما درون دیواره‌های استخوانی‌اش با دمای ثابت و ایده‌آل ۳۷ درجه سانتی‌گراد فعالیت می‌کند.
درست است که ابرکامپیوترها محاسبات خاص را با سرعتی باورنکردنی به انجام می‌رسانند، اما مغز در تطبیق‌پذیری دست بالا را دارد. مغز می‌تواند شعر بنویسد، در کسری از ثانیه چهره‌ای آشنا را در میان جمعیت شناسایی کند، ماشین براند، یک زبان جدید بیاموزد، تصمیمات درست و غلط بگیرد و چیزهایی از این دست. و در حالی که مدل‌های سنتی کامپیوتری از انجام چنین کارهایی ناتوان هستند، استفاده از تکنیک‌هایی که مغز ما به کار می‌گیرد می‌تواند کلید دستیابی به کامپیوترهایی بسیار قدرتمندتر در آینده باشد.
اکثر سخت‌افزارهای امروزی بر مبنای معماری فون نویمان ساخته شده‌اند که حافظه و پردازش را از یکدیگر جدا می‌کند. از آن‌جایی که چیپ‌های فون نویمان باید اطلاعات را دائما میان حافظه و پردازنده جابه‌جا کنند، نوعی اتلاف وقت و انرژی به وجود می‌آید - این همان مشکلی است که از آن تحت عنوان «گلوگاه فون نویمان» یاد می‌شود.
با تعبیه ترانزیستورهای بیشتر درون این پردازنده‌های فون نویمان، تولیدکنندگان چیپ برای مدتی طولانی توانسته‌اند توان پردازشی هر چیپ را به مرور افزایش داده و با قانون مور همگام باقی بمانند. اما مشکل اینست که نمی‌توان ترانزیستورها را تا ابد کوچک‌تر کرد و در عین حال پیش‌نیازهای انرژی و حرارتی آن‌ها را برآورده ساخت. بنابراین نیاز به ایجاد تغییری بنیادین در چیپ‌ها احساس می‌شود.
همینطور که در زمان پیش می‌رویم، معماری فون نویمان با مشکلاتی سخت و سخت‌تر در افزایش قدرت پردازشی مورد نیاز ما مواجه خواهد شد.
بنابراین در آینده نزدیک نیازمند نوعی جدید از معماری فون نویمان هستیم: یک معماری نورومورفیک. پردازش کوانتومی و سیستم‌های نورومورفیک هر دو به عنوان راه حل‌های احتمالی برای مشکل معرفی شده‌اند، اما به نظر می‌رسد پردازش نورومورفیک و الهام‌گرفته از کارکرد مغز انسان باشد که زودتر در دسترس عموم قرار می‌گیرد.
علاوه بر احتمال حل مشکل گلوگاه فون نویمان، یک کامپیوتر نورومورفیک می‌تواند با بهره‌گیری از رویکردهای مغزی، به حل مشکلات دیگر نیز بپردازد. اگرچه سیستم‌های فون نویمان عمدتا زنجیره‌ای عمل می‌کنند، مغز کارکردی شدیدا موازی در پردازش دارد. ضمنا آستانه اشتباه در مغز بسیار بیشتر از کامپیوترهای سنتی است و محققان امیدوارند که قادر به ساخت سیستم‌های نورومورفیکی باشند که دقیقا از این دو مزیت بهره می‌برند.
برای اینکه تکنولوژی نورومورفیک را درک کنیم، نخست باید نگاهی کلی به کارکرد مغز بیندازیم.
پیام‌ها از طریق عصب‌ها یا نورون‌ها به به درون مغز رفته یا از آن خارج می‌شوند. اگر شما روی یک سوزن گام بگذارید، گیرنده‌های درد روی پوست پای شما آسیب را دریافت می‌کنند و منجر به فعال‌سازی چیزی به نام «پتانسیل عمل» درون عصب‌های متصل به پا می‌شوند. پتانسیل عمل باعث می‌شود که عصب موادی شمیایی را درون شکافی به نام سیناپس منتشر کند و این روند آنقدر با عصب‌های مختلف ادامه می‌یابد تا پیام بالاخره به مغز برسد. مغز شما سپس درد را ثبت می‌کند. در این مرحله پیام مغز مجددا از طریق عصب‌های متصل به‌هم به جریان می‌افتد تا سیگنال به عضلات پا برسد و شما پایتان را تکان دهید.
پتانسیل عمل می‌تواند هم با چندین ورودی به صورت همزمان (فضایی) فعال شود و هم با ورودی‌ای که به مرور زمان شکل می‌گیرد (زمانی). این تکنیک‌ها در کنار درهم‌تنیدگی گسترده سیناپس‌ها (در واقع هر سیناپس می‌تواند به ۱۰ هزار سیناپس دیگر متصل باشد) بدان معنا هستند که مغز می‌تواند اطلاعات را به شکلی سریع و بهینه منتقل کند.
پردازش نورومورفیک از این شیوه کارکرد مغز در شبکه‌های عصبی الهام می‌گیرد. پردازش سنتی مبتنی بر ترانزیستورهایی است که یا خاموش هستند یا روشن، به عبارت دیگر یا صفر یا یک. اما شبکه‌های عصبی می‌توانند اطلاعات را هم به صورت فضایی و هم زمانی (درست مثل مغز) منتقل کنند و بنابراین بیش از یک یا دو خروجی دارند. سیستم‌های نورومورفیک می‌توانند هم دیجیتال باشند و هم آنالوگ و نقش سیناپس‌ها نیز یا برعهده نرم‌افزار است یا ممریستورها.
ممریستورها در مدل‌سازی یک المان کارآمد دیگر در مغز نیز به درد می‌خورند: توانایی سیناپس‌ها در ذخیره‌سازی اطلاعات، افزون بر مخابره آن‌ها. ممریستورها می‌توانند گستره وسیعی از مقادیر را ذخیره کنند و صرفا به صفر و یک سنتی محدود نیستند. بنابراین می‌توانند استحکام رابطه میان دو سیناپس را در سطوح مختلف شبیه‌سازی کنند. تغییر این مقادیر در سیناپس‌های مصنوعی موجود در پردازش نورومورفیک، یک روش یادگیری از سوی سیستم‌های مبتنی بر مغز به حساب می‌آید.
در کنار تکنولوژی ممریستورها که شامل حافظه تغییر فاز، رم مقاوم و رم پل رسانا می‌شوند، محققان به دنبال راه‌های تازه برای تقلید از سیناپس مغز نیز هستند. مثلا با استفاده از نقاط کوانتومی و گرافین.
دیوایس‌های امروزی مانند موبایل‌های هوشمند برای انجام وظایف پردازشی سنگین نیازمند سپردن کار به سیستم‌های مبتنی بر کلاد هستند که کوئری را پردازش کرده و پاسخ را برای دیوایس می‌فرستند. با سیستم‌های نورومورفیک، دیگر نیازی به ارسال و بازپس‌گیری کوئری نیست و تمام فرآیند درون خود دستگاه انجام می‌شود.
اما احتمالا بزرگ‌ترین نیروی پیشرانه برای سرمایه‌گذاری روی پردازش نورومورفیک، پتانیسل‌هایی باشد که در حوزه هوش مصنوعی با خود به ارمغان می‌آورد.
هوش مصنوعی نسل فعلی شدیدا متکی بر قوانین است و آنقدر با مجموعه داده‌هایی مشخص تعلیم می‌بیند تا بالاخره تولید خروجی را بیاموزد. اما ذهن انسان این‌طور کار نمی‌کند: ماده خاکستری ما انعطاف‌پذیری و سازگاری بسیار بیشتری با ابهامات دارد.
اکنون امید است که نسل بعدی هوش مصنوعی بتواند حداقل با بخشی از مسائل مثل مغز برخورد کند. مانند مسائل ارضای محدود که در آن‌ها سیستم باید راه حلی بهینه برای مسئله‌ای با محدودیت‌های فراوان بیابد.
بله، استارتاپ‌های آکادمیک و برخی از بزرگ‌ترین نام‌های دنیای تکنولوژی همین حالا مشغول ساخت و استفاده از سیستم‌های نورومورفیک هستند.
اینتل یک چیپ نورومورفیک به نام Loihi توسعه داده و با ۶۴ عدد از آن، سیستمی متشکل از ۸ میلیون سیناپس و ۸ میلیون عصب ساخته که Pohoki Beach نامیده می‌شود. ضمنا انتظار می‌رود در آینده نزدیک، اینتل تعداد عصب‌ها را به ۱۰۰ میلیون برساند. در حال حاضر، چیپ‌های Loihi توسط محققان مورد استفاده قرار می‌گیرند و برای مثال از آن‌ها در ساخت پوست و اعضای مصنوعی بدن بهره گرفته می‌شود.
آی‌بی‌ام هم سیستم نورومورفیک مخصوص به خودش را توسعه داده که TrueNorth نام گرفته و در سال ۲۰۱۴ آغاز به کار کرد. بنابر آخرین اطلاعات، این سیستم ۶۴ میلیون عصب و ۱۶ میلیون سیناپس دارد. اگرچه آی‌بی‌ام شدیدا در رابطه با چگونگی توسعه TrueNorth مخفی‌کاری کرده، اما اخیرا اعلام نمود که در همکاری با آزمایشگاه نیروی هوای آمریکا، در صدد ساخت یک «ابرکامپیوتر نورومورفیک» برآمده است که تحت عنوان Blue Raven شناخته می‌شود. اگرچه آزمایشگاه ارتش آمریکا هنوز در حال شناسایی موارد احتمالی استفاده است، اما یک گزینه می‌تواند ساخت پهپادهای هوشمندتر، سبک‌وزن‌تر و نیازمند به انرژی کمتر باشد.
گذار از معماری فون نویمان به سمت پردازش نورومورفیک قرار است گستره وسیعی از چالش‌ها را پیش رویمان قرار دهد. تمام نُرم‌های پردازشی -مانند چگونگی رمزنگاری و پردازش داده- همگی بر مبنای مدل فون نویمان شکل گرفته‌اند و در دنیایی که پردازش نورومورفیک رایج‌تر است، باید به بازنگری در این پروسه‌ها بپردازیم. یک مثال می‌تواند ورودی‌های بصری باشد: سیستم‌های سنتی، ورودی بصری را به چشم مجموعه‌ای از فریم‌های جداگانه می‌بینند، اما پردازنده‌های نورومورفیک چنین اطلاعاتی را به عنوان تغییرات به وجود آمده در میدان دید به مرور زمان، رمزنگاری می‌کنند.
زبان‌های برنامه‌نویسی باید از ابتدا بازنویسی شوند و در سمت سخت‌افزار هم چالش‌های منحصر به فردی وجود دارد: برای استفاده حداکثری از مزایای دیوایس‌های نوروموریک، باید نسل جدیدی از حافظه، حافظه ذخیره‌سازی و سنسورها را توسعه دهیم.
تکنولوژی نورومورفیک حتی نیازمند تغییری بنیادین در چگونگی توسعه نرم‌افزار و سخت‌افزار نیز هست. زیرا در سخت‌افزار نورومورفیک، نوعی یکپارچگی گسترده میان عناصر مختلف وجود دارد که از مثال‌های آن می‌توان به رابطه میان حافظه و پردازشگر اشاره کرد.
یکی از اثرات جانبی تلاش گسترده‌تر در راستای توسعه پردازش نورومورفیک، احتمالا بهبودهای چشمگیر در حوزه علوم عصبی باشد: همینطور که محققان مشغول بازسازی ماده خاکستری مغز ما درون دیوایس‌های الکترونیکی خواهد بود، احتمالا دانش بیشتری راجع به ساز و کارهای داخلی مغز به دست آورند.
و به صورت مشابه، هرچه دانش ما راجع به مغز انسان بیشتر شود، درهای بیشتری هم به روی محققانی که روی پردازش نورومورفیک کار می‌کنند باز خواهد شد: برای مثال سلول‌های گلیال -سلول‌های پشتیبان مغز- اکنون نقش چندانی در سیستم‌های نورومورفیک ندارند، اما هرچه اطلاعات بیشتری راجع به نقش این سلول‌ها در پردازش اطلاعات به دست آوریم، محققان نیز بهتر خواهند دانست که آیا نیازمند تعبیه آن‌ها در مدل‌های شبیه‌سازی شده از مغز خواهیم بود یا خیر.
و البته که با تقلید از مغز انسان در دنیای سیلیکون، احتمالا یک روز برای پرسشی جالب، پاسخی قانع‌کننده داشته باشیم: اینکه آیا می‌توان دستگاهی خودآگاه ساخت یا خیر؟
