پیوند علوم اعصاب و هوش مصنوعی از طریق نانوکانالها
تیمی از پژوهشگران مؤسسه فیزیک مدرن آکادمی علوم چین و دانشگاه لانژو موفق شدهاند با بهرهگیری از نانوکانالهای زیستالهام، شواهد تجربی ارزشمندی درباره سازوکارهای حافظه در مغز بهدست آورند. نتایج این پژوهش که در نشریه معتبر Advanced Functional Materials منتشر شده، توجه جامعه علمی را به خود جلب کرده است؛ چراکه پلی میان علوم اعصاب، فناورینانو و محاسبات الهامگرفته از مغز ایجاد میکند.
یادگیری و حافظه انسان ریشه در شبکهای بسیار پویا از سیناپسهای عصبی دارد. این اتصالهای ظریف، همچون کلیدهایی هوشمند، سیگنالها را منتقل میکنند و همزمان بهطور مداوم بازآرایی میشوند. همین پویایی است که امکان رمزگذاری، ذخیره و بازیابی اطلاعات را فراهم کرده و پایه زیستی شناخت و سازگاری رفتاری را شکل میدهد. در واقع، مغز با تکیه بر این سیناپسها قادر است با مصرف انرژی بسیار اندک، محاسباتی فوقالعاده پیچیده انجام دهد.
در سامانه عصبی زیستی، سیناپسها رفتاری مشابه «مِمریستور»ها دارند؛ عناصری که میتوانند همزمان وظیفه پردازش و ذخیره اطلاعات را انجام دهند. این قابلیت از طریق جابهجایی کنترلشده یونها و انتقالدهندههای عصبی در نانوکانالها محقق میشود. تنظیم پویای قدرت اتصال سیناپسی بر اساس فعالیتهای پیشین، همان رازی است که مغز را به کارآمدترین سامانه محاسباتی شناختهشده تبدیل کرده است. بازتولید این ویژگی در سامانههای مصنوعی، بهویژه در محیطهای مایع، یکی از اهداف کلیدی پژوهشهای نوین در حوزه رابط مغز و رایانه و محاسبات نورومورفیک زیستی به شمار میرود.
در این مطالعه، پژوهشگران موفق شدند اثر مِمریستیو را در نانوکانالهای زیستالهام با استفاده از دو سازوکار تحریک متمایز بهصورت تجربی نشان دهند. سازوکار نخست، اثر غربالگری یونهای دوظرفیتی مانند منیزیم و کلسیم است و سازوکار دوم، فرایند برداشت پروتون تحت تأثیر تغییرات اسیدیته محیط. این دو مکانیسم، نقش مهمی در کنترل انتقال یونها درون نانوکانالها ایفا میکنند.
برای ساخت این نانوکانالها، تیم تحقیقاتی از تأسیسات میکروپرتوی تکیونی در مرکز پژوهش یونهای سنگین لانژو بهره برده است. نانوحفرههای زیستالهام ایجادشده، بهواسطه ترکیب شکست تقارن در انتقال یون و اثرات سطحی درون کانالها، ویژگیهای هیسترزیسی شاخصی از خود نشان میدهند. این رفتار هیسترزیسی، همان مشخصهای است که مِمریستورها را به عناصر حافظهدار تبدیل میکند.
نکته قابل توجه آن است که این مِمریستور نانوسیالی، تنها یک نمونه آزمایشگاهی ساده نیست، بلکه میتواند چندین ویژگی کلیدی حافظه زیستی را شبیهسازی کند. از جمله این ویژگیها میتوان به تقویت کوتاهمدت و بلندمدت سیگنالها اشاره کرد؛ پدیدههایی که در علوم اعصاب بهعنوان پایههای اصلی یادگیری شناخته میشوند. افزون بر این، عملکردهایی مانند تسهیل ضربه جفتی و تضعیف ضربه جفتی که از رفتارهای مهم سیناپسی هستند، در این سامانه مصنوعی بازآفرینی شدهاند.
پژوهشگران همچنین نشان دادهاند که میتوان وزنهای سیناپسی را بهصورت پویا در این سامانه کدگذاری کرد. این قابلیت، یکی از ارکان اصلی رفتارهای یادگیری تطبیقی در سامانههای نورومورفیک محسوب میشود. برای ارزیابی کاربرد عملی این دستاورد، تیم تحقیقاتی یک شبکه عصبی مصنوعی سهلایه برای تشخیص الگو طراحی کرده است.
این شبکه عصبی با استفاده از مجموعهداده ارقام دستنویس آموزش داده شد و در مرحله آزمون، به دقت تشخیص ۹۴٫۶ درصد دست یافت؛ عددی که با عملکرد بسیاری از سیناپسهای مِمریستوری حالتجامد قابل رقابت است. این نتیجه نشان میدهد که مِمریستورهای نانوسیالی زیستالهام، نهتنها از نظر مفهومی، بلکه از منظر کارایی نیز ظرفیت بالایی برای کاربرد در سامانههای هوش مصنوعی نسل آینده دارند.
به نقل از ستاد نانو، به باور پژوهشگران، اهمیت این کار تنها به حوزه محاسبات نورومورفیک محدود نمیشود. این نانوکانالها میتوانند بهعنوان ابزاری تجربی برای مطالعه عمیقتر سازوکارهای حافظه در مغز بهکار روند و درک ما از نحوه شکلگیری و تغییر خاطرات را گسترش دهند. چنین دانشی، در بلندمدت میتواند پیامدهای گستردهای برای علوم اعصاب، پزشکی عصبی و توسعه رابطهای پیشرفته میان مغز و ماشین داشته باشد.