چرا موازی سازی در مغز عملکرد آنرا نسبت به هوش مصنوعی بالاتر برده است؟

بازدیدها: ۲۷۶

نوشته liqun Luo پروفسور نوروبیولوژی دانشگاه استنفورد ۱۲ آوریل ۲۰۱۸

• ** مغز پیچیده است.در انسان مغز از حدود ۱۰۰ بیلیون نورون و ۱۰۰ تریلیون اتصالات عصبی تشکیل شده است.مغز انسان اغلب با سیستم پیچیده دیگری که قدرت حل مساله بالایی دارد یعنی کامپیوتر دیجیتال مقایسه می شود.هر دوی آنها، مغز و کامپیوتر دارای تعداد زیادی واحد سازنده-بترتیب نورونها و ترانزیستور ها-هستند که در مدارهای پیچیده سیم کشی شده اند و اطلاعاتی که توسط سیگنالهای الکتریکی ارسال می شوند را پردازش می کنند.بطور کلی،معماری مغز و کامپیوتر شبیه یکدیگر است که متشکل از مدارهای بزرگ مجزا برای ورودی، خروجی، پردازش مرکزی و حافظه می باشند.

کدامیک قدرت حل مساله بیشتری دارد-مغز یا کامپیوتر؟ با پیشرفت های سریع در فن آوری کامپیوتر در دهه های گذشته ،شما ممکن است فکر کنید که کامپیوتر برتری دارد.در حقیقت، کامپیوترها ساخته شده و برنامه ریزی شده اند تا انسان را در بازیهای پیچیده مانند شطرنج در سال ۱۹۹۰ و به تازگی در مسابقه دانش دایره المعارف شکست دهند .بهرجهت، انسانها در تعداد زیادی از اعمال واقعی کامپیوترها را شکست داده اند که از تعیین یک دوچرخه یا عابر مشخص در خیابان شلوغ تا گرفتن یک فنجان چای و حرکت آن به سمت لب های یک فرد متغیر است، البته اگر از ادراک و خلاقیت هم صرفنظر شود.

چرا کامپیوتر ها در اعمال(Task) معینی خوب هستند در حالیکه مغز در اعمال دیگری بهتر است؟ مقایسه کامپیوتر و مغز برای مهندسین کامپیوترو متخصصان علوم اعصاب راهگشا است.این مقایسه در منشاء کامپیوترهای مدرن شروع شده در یک کتاب کوچک ولی ژرف با عنوان ((مغز و کامپیوتر)) توسط جان وان نومان یک دانشمند جامع العلوم که در سال ۱۹۴۰ بنیانگذار طراحی معماری کامپیوتر است که هنوز مبنای بیشتر کامپیوترهای مدرن امروزی است نوشته شده است.اجازه دهید به برخی از این مقایسه ها به زبان اعداد نگاهی بیندازیم:

کامپیوتر امتیازات زیادی نسبت به مغز در سرعت عملیات پایه دارد.کامپیوترهای شخصی امروزه عملیات ریاضی مقدماتی مانند جمع کردن را با سرعت ۱۰ بیلیون عملیات در هر ثانیه به انجام می رسانند.ما  می توانیم  سرعت عملیات های مقدماتی در مغز را با فرایند های مقدماتی که از طریق آنها نورونها اطلاعات را منتقل و با یکدیگر ارتباط برقرار می سازند، تخمین بزنیم.برای مثال، نورونها پتانسیل های عمل را گسیل می کنند که در حقیقت اسپایک های سیگنالهای الکتریکی هستند که در نزدیکی جسم نورون ایجاد و به پایین در طول آکسونها که با نورون پایین دست آنها لینک شده اند، منتقل می شوند.اطلاعات در فرکانس و زمان این اسپایک ها کدگذاری می شوند.بیشترین فرکانس تخلیه نورونی در حدود ۱۰۰۰ اسپایک در هر ثانیه است.مثال دیگر آنکه، نورونها اطلاعات را به نورون مجاورشان از طریق میانجی عصبی شیمیایی که در ساختار ویژه ای در پایانه آکسون که سیناپس نامیده می شود، آزاد می کنند و نورون مجاورشان اتصال میانجی عصبی به گیرنده را به سیگنال الکتریکی در فرایندی که انتقال سیناپسی نامیده می شود، تبدیل می کند.سریع ترین انتقال سیناپسی حدود ۱ میلی ثانیه طول می کشد.بنابراین در هر دوی آنها، یعنی اسپایک ها و انتقال سیناپسی، مغز می تواند تقریبا حدود هزار عملیات بیسیک را در هر ثانیه یا ۱۰ میلیون برابر آهسته تر از یک کامپیوتر انجام دهد.

کامپیوتر همچنین امتیازات زیادی نسبت به مغز در دقت عملیات پایه دارد.کامپیوتر می تواند اعدادی با هر دقت مورد انتظار بر حسب بیت (رقم های دو تایی صفر و یک ها)که به هر عدد اختصاص داده شده است را عرضه کند.برای نمونه یک عدد ۳۲ بیت دقت ۱ در ۲۳۲ یا ۴.۲ بیلیون دارد.شواهد تجربی پیشنهاد کننده آنست که بیشتر کمیت ها در سیستم عصبی (مانند فرکانس تخلیه نورونها که اغلب بعنوان شدت تحریکات بیان می شود)تغییر پذیری چند درصد بعلت نویز بیولوژیک یا دقت ۱ در ۱۰۰ در بهترین حالت دارند که یک میلیون برابر بدتر از یک کامپیوتر است.

محاسباتی که توسط مغز انجام می گیرد،بهرحال، نه آهسته است نه غیر دقیق.برای مثال یک بازیکن تنیس حرفه ای می تواند مسیر یک توپ تنیس وقتی که با سرعت ۱۶۰ مایل بر ساعت سرو می شود را دنبال کند، به نقطه مورد نظر در زمین حرکت کند، وضعیت مناسب به بازویش را بدهد و راکت را جوری بچرخاند تا توپ را به زمین حریف بر گرداند، همه اینها در طی چند میلی ثانیه صورت می گیرد.علاوه بر این، مغز همه این کار ها را (با کمک جسمی که آنرا کنترل می کند)با مصرف انرژی در حدود ۱۰ برابر کمتر از یک کامپیوتر شخصی انجام می دهد.چگونه مغز به این امر دست پیدا می کند؟یک تفاوت مهم بین کامپیوتر و مغز روشی است که در هر سیستم اطلاعات پردازش می شوند.اعمال کامپیوتر بطور اعظم بصورت مراحل سریالی (متوالی) انجام می شود.این امر را می توان با روشی که مهندسین کامپیوتر را برنامه ریزی می کنند یعنی با ایجاد جریان متوالی دستورات مشاهده کرد. برای این روند متوالی عملیات ،دقت بالایی در هر مرحله مورد نیاز است،به همین صورت خطا ها در مراحل متوالی جمع شده و تقویت می شوند.مغز هم از مراحل متوالی برای پردازش اطلاعات استفاده می کند.در مثال برگشت تنیس، اطلاعات از چشم به سمت مغز و سپس به نخاع بر می گردد تا انقباض عضلات در پاها، تنه، بازو ها و مچ دست را کنترل کند.اما مغز همچنین از پردازش موازی بهره می گیرد که امتیازاتی را از تعداد زیاد نورون ها و تعداد زیاد اتصالاتی که هر نورون می سازد را بدست می آورد.برای نمونه، توپ تنیس در حال حرکت تعداد زیادی سلول در شبکیه چشم که گیرنده های نوری هستند را فعال می کند که کار آنها تبدیل نور به سیگنال الکتریکی می باشد.در زمانی که سیگنالها از سلولهای گیرنده نوری منشاء می گیرند از ۲ تا ۳ اتصال سیناپسی در شبکیه می گذرند، اطلاعات مربوط به مکان، جهت و سرعت توپ با مدارهای نورونی موازی استخراج و بصورت موازی به مغز منتقل می شوند.مشابه آن ، کورتکس حرکتی (بخشی از کورتکس مخ که مسئول کنترل حرک ارادی می باشد)دستورات را بصورت موازی برای کنترل انقباضات عضلانی در پاها، تنه ،بازو ها و مچ می فرستد چنانکه بدن و بازوها بطور همزمان در پوزیشن صحیح قرار می گیرند تا توپ در حال آمدن را دریافت کنند.

این استراتژی موازی عظیم مقدور است زیرا هر نورون ورودی اش را از نورون های زیادی دریافت کرده و خروجی اش را به تعداد زیادی نورون ارسال می کند-به ترتیبی که هر ۱۰۰۰ نورون به ازای نورون ورودی و خروجی وجود دارد(در مقایسه با آن هر ترانزیستور روی هم رفته تنها ۳ گره برای ورودی و خروجی دارد).اطلاعات از یک نورون منفرد می تواند به تعداد زیادی مسیر های پایین دست موازی ارسال شود.در همان زمان تعداد زیادی نورون که همان اطلاعات را پردازش می کنندمی توانند ورودی شان را با یک نورون پایین دست به اشتراک بگذارند.این مشخصه آخری بویژه برای ارتقای دقت پردازش اطلاعات مفید است.برای مثال، اطلاعاتی که بوسیله یک نورون منفرد ارائه می شود ممکن است شلوغ(noisy)باشد(گفته می شود با دقت ۱ به ۱۰۰).با دریافت ورودی متوسط از ۱۰۰ نوورن که همان اطلاعات را حمل می کنند، نورون مجاور مشترک پایین دست می تواند اطلاعات را با دقت بیشتری ارائه دهد(حدود ۱ در ۱۰۰۰ در این مورد).

کامپیوتر و مغز همچنین تشابهات و تفاوت هایی در روش سیگنالینگ در واحدهای مقدماتی شان دارند.ترانزیستور از سیگنالینگ دیجیتال استفاده می کند که از مقادیر مجزا(صفر ها و یک ها) برای ارائه اطلاعات استفاده می کند.اسپایک در آکسونهای نورونی نیز یک سیگنال دیجیتال است زیرا نورون در یک زمان یا تخلیه می شود یا تخلیه نمی شود و وقتی تخلیه می شود تمام اسپایک ها تقریبا یک شکل و اندازه دارند.این مشخصه نقش کاربردی در ارسال اسپایک در مسیر طولانی دارد.بهرحال، نورونها همچنین از سیگنالینگ آنالوگ نیز استفاده می کنند که از مقادیر پیوسته برای ارائه اطلاعات استفاده می کنند.برخی نورونها (مانند بیشتر نورونهای شبکیه) غیر اسپایکی هستند و خروجی آنها توسط سیگنالهای الکتریکی مدرج(بر خلاف اسپایک ها از نظر اندازه می توانند متغیر باشند)انتقال داده می شود و می توانند اطلاعات بیشتری را نسبت به اطلاعاتی که اسپایکها منتقل می کنند را انتقال دهند.انتهای دریافت کننده نورونها(معمولا دندریت ها)نیز از سیگنالینگ آنالوگ برای جمع بندی هزاران ورودی استفاده می کنند که آنها را قادر می سازد تا محاسبات پیچیده را انجام دهند.

مشخصه جالب توجه مغز که در بازی برگشت سرویس در مثال تنیس روشن شده است اینست که اتصالاتی که بین نورونها برقرار می شود می تواند در پاسخ به فعالیت و تجربه تغییر پیدا کند-فرایندی که توسط تعداد زیادی از دانشمندان علوم اعصاب بعنوان مبنای حافظه و یادگیر در نظر گرفته می شود.آموزش تکراری مدارهای نورونی را قادر می سازد تا برای کارهایی که انجام می دهند بهتر سازماندهی شوند که این امر منجر به دقت و سرعت بیشتر می شود.

در طی دهه های گذشته، مهندسان از مغز الهام گرفتند تا طراحی کامپیوتر را بهبود ببخشند.اصول پردازش موازی و تغییرات وابسته به استفاده از قدرت اتصالات مغزی در کامپیوترهای مدرن تعبیه شده است.برای مثال، افزایش موازی سازی(parallelism) مانند استفاده از پردازشگرهای متعدد(هسته ها) در یک کامپیوتر مجزا یک رویکرد رایج در طراحی کامپیوتر است.مثال دیگر، یادگیری عمقی در این دیسیپلین از یادگیری ماشین و هوش مصنوعی است که باعث موفقیت های زیادی در سالهای اخیر شده است و موجب پیشرفت های سریع در تشخیص تکلم و اشیاء در کامپیوترها و ابزار موبایل شده است که الهام گرفته از سیستم بینایی پستانداران است.

همانطوریکه در سیستم بینایی پستانداران مشاهده می شود، یادگیری عمقی با بکارگیری چند لایه سلولی است تا بطور فزاینده ای الگوهای انتزاعی را عرضه کند(مانند اشیای قابل دیدن و تکلم) و وزن اتصالات مابین لایه های مختلف از طریق یادگیری مطابقت داده می شود تا توسط طراحی توسط مهندسان.

این پیشرفت های اخیر فهرست اعمالی که کامپیوتر می تواند انجام دهد را گسترش داده اند.هنوز، مغز انعطاف پذیری برتر، تعمیم پذیری و توانایی های یادگیری بیشتری نسبت به کامپیوتر دارد.همانطور که دانشمندان علوم اعصاب اسرار بیشتری درباره مغز را کشف می کنند(بطور زیادی به کمک کامپیوتر)مهندسان می توانند الهام بیشتری از کار مغز بدست آورند تا معماری و عملکرد اجرایی کامپیوترها را ارتقاء دهند.هر کدام از اینها که در یک عمل معین پیروز شود این جفت شدن متقابل بین رشته ای بدون شک موجب پیشرفت هم علوم اعصاب و هم مهندسی کامپیوتر می شود.

منبع: Nautil.us 2018