حل معمای مغز انسان
با استفاده از یک سوئیت (مجموعه ای از برنامه های رایانه ای مرتبط به هم) معروف نرم افزار شبیه سازی نورون ها به نام NEST، رایانه K قادر است توان 82944 پردازشگر را برای ایجاد شبکه شبیه سازی 1.73 بیلیون سلول عصبی متصل توسط 10.4 ترلیون سیناپس به کار بگیرد؛ تقریباً حدود 1% توان خام پردازشگری مغز انسان!
حال این فناوری شاهکار چه مقدار جهش رو به جلو در درک مغزهای فوق العاده ما ایجاد کرده است؟
زدن سوئیچ ها
مغزهای ما پیچیده اند، در قلب درک فعلی ما از چگونگی عملکرد، این ایده وجود دارد که بیلیون ها سلول عصبی تخصص یافته، به نام نورون، به هم مرتبط شده و با عبور دادن سیگنال ها سبب شکل گیری فعالیت ها، افکار، احساسات و عملکردهای ما می شوند.
در نگاه ساده و اولیه نورون را می توان سوئیچ های بیولوژیک در نظر گرفت؛ نورون پیام های ورودی را دریافت می کند، و اگر آن پیام به اندازه کافی قوی باشد، نورون آن را به سایر نورون هایی که به آن مرتبط اند، روانه می کند. این نوع از پردازش، در سخت افزارهای الکترونیکی نیز می تواند انجام پذیرد.
::رایانه K::
این پروژه حاصل همکاری محققان برنامه Riken HPCI برای علوم زیستی محاسباتی در موسسه اوکیناوای دانشگاه تحصیلات تکمیلی تکنولوژی در ژاپن و موسسه علوم اعصاب و پزشکی جولیش آلمان می باشد.
از دیدگاه سرعت، نورون های مغز ما در حقیقت در زدن سوئیچ های بیولوژیک کاملاً آهسته هستند. آنها با سرعت میلی ثانیه کار می کنند (برای احیای مجدد پس از تحریک نیاز به زمان دارند) و الگوهای دقیق و بدیع را ترکیب می کنند.
وسایل الکترونیکی می توانند بسیار سریعتر سوئیچ بزنند. رایانه K از حدود یک پتابایت (=1024 ترابایت = 2 به توان 50 بایت) حافظه استفاده می کند، که معادل ترکیب 250.000 رایانه خانگی است. اما شبیه سازی هنوز برای آماده شدن «توان محاسباتی» یک ثانیه فعالیت شبکه عصبی مغز در زمان زیستی واقعی، 40 دقیقه زمان می برد.
محققان مغز تحت تاثیر این اعداد بزرگ و توان محاسباتی قرار دارند – آنها تازه در ابتدای راه برای درک عملکرد خوشه های عظیم شبکه عصبی هستند. تیم تحقیقاتی با آزادی این کار را که در مورد نشان دادن آنچه که با تکنولوژی امروز می توان انجام داد، پذیرفتند- شبیه سازی آنها در واقع هنوز به جایی نرسیده است که سوال برجسته ای را در مورد چگونگی عملکرد مغز ما پاسخ دهد.
کمی شبیه یک شبکه بزرگراه فوق العاده متصل است که با ماشین های شبیه سازی شده پر شده است اما هنوز نمی توان نشان داد که شبکه جاده ای چگونه به ازدحام آخر هفته جاده واکنش نشان می دهد. شکی نیست که چنین مقیاس غول پیکر شبیه سازی به زودی به اسرار درباره چگونگی عملکرد مغز ما، چگونگی یادگیری ما، چگونگی درک ما و حتی شاید احساس نمودن ما پاسخ دهد. اما هر شبیه سازی تنها به اندازه مفروضاتی که ساختمان نرم افزار را می سازند، خوب است.
اگر شما حتی با نرم افزار NEST منبع باز (open source)، به جزئیات نگاه کنید، دامنه ای از شاخص ها در شبیه سازی وجود دارد که نیاز به هماهنگ شدن دارد، و تغییر این پارامترها اغلب می تواند به طور قابل توجه ای آنچه که از شبه سازی حاصل شده است را تغییر دهد.
استعاره سوئیچ کردن ساده نیز تنها یک تخمین است؛ نورون های زیستی یافت می شود که پردازش سیگنال های آنها به مراتب پیچیده تر اند. و پس از آن اثرات جالب توجه ای که در عین حال به خوبی شناخته نشده اند، از تعدیل کننده های عصبی مانند اکسید نیتریک، ترکیبی موجود در مغز که در تغییر تحریک پذیری نرون ها دخیل است.
مضاف بر مجموعه پیچیدگی ها، شواهد در حال افزایش، حاکی از آن است که سلول های گلیا (که پیام عصبی را مانند نورون ها حمل نمی کنند اما حدود ده تا 50 برابر بیشتر از نرون ها توده مغز را تشکیل می دهند) تنها پشتیبانی فیزیکی از نورون ها نمی نمایند، بلکه جزء لازم عملکرد مغز اند، و با احتساب آنها مشکل محاسباتی بزرگتر می گردد.
معماری نفیس
شاید مهمترین نکته در مورد مغز ما معماری نفیس آن باشد، که از لایه های مجزا در قشر (کورتکس) به ستون های جهت گیری شده در مناطق اولیه بصری تشکیل شده است. در تمامی ساختار مغز، انواع خاص از سیگنال از طریق پیکربندی های متفاوت نورون ها منتقل می شود و ساختار و شکل ظاهری است که عملکرد را دیکته می کند.
شبیه سازی حال حاضر رایانه K به طور موثر، با استفاده از توان محاسباتی خام، تعداد زیادی از نورون ها را به تعداد زیادی از نورون های دیگر مرتبط می کند، اما در آینده نیاز است بهتر درک شود که مغز چگونه برای به انجام رساندن کارهایش از معماری ویژه و عملکردش، استفاده می کند.
برای مدل سازی و درک کامل مغز انسان، به طور خاص برای توضیح همه آنچه که در مورد عملکرد مغز از پیش می دانیم، و پیش بینی ویژگی های جدید که پس از این می توانیم تست کنیم، نیاز است همه مهارت ها و دانش سایر رشته های تحقیقاتی از جمله علوم اعصاب و کامپیوتر را گرد هم آوریم، به همان طریقی که ژاپنی ها، با به کار گیری توان هزاران پردازشگر رایانه شبیه سازی را هدایت کردند. و ژاپن آماده توسعه نسل بعدی رایانه ها تا 2020 است که 100 برابر سریعتر از رایانه K است، و مجموعه ی دیگر کشورها برای رقابت کردن یا پیشرفت کردن، قطعاً جزئیات بیشتری در مدل سازی روی کار خواهد آمد.
سمانه سادات عنایتی
منابع:
medicalxpress
Takumi Maruyama (2009). "SPARC64(TM) VIIIfx: Fujitsu's New Generation Octo Core Processor for PETA Scale computing. Proceedings of Hot Chips 21. IEEE Computer Society. Retrieved 24 February 2013.
J. J. HOPFIELD Neural networks and physical systems with emergent collective computational abilities. Proc. NatL Acad. Sci. USA Vol. 79, pp. 2554-2558, April 1982 Biophysics