కంప్యూటర్ సైన్స్ యొక్క ఈ అభివృద్ధి చెందుతున్న రంగంలో, శాస్త్రవేత్తలు కంప్యూటర్‌లను వేగంగా మరియు మరింత ప్రభావవంతంగా చేయడానికి మెదడును మోడల్ చేస్తున్నారు. గత కొన్ని దశాబ్దాలుగా సిలికాన్ మరియు ఇతర సెమీకండక్టర్ మెటీరియల్స్ ఆధారంగా కంప్యూటర్ ప్రాసెసర్‌ల సృష్టి ద్వారా సాంకేతిక విప్లవాన్ని మేము చూశాము.
కంప్యూటర్లు ఒకప్పుడు మొత్తం గదుల పరిమాణంలో ఉండేవి, కానీ అప్పటి నుండి సింగిల్ చిప్‌లకు తగ్గించబడ్డాయి. మూర్ యొక్క చట్టం, 1965లో గోర్డాన్ మూర్ ఉపయోగించిన ఒక కాన్సెప్ట్, ఒక ఇంటిగ్రేటెడ్ చిప్‌లోని భాగాల సంఖ్య ప్రతి రెండు సంవత్సరాలకు రెండింతలు పెరుగుతుందని, ఇది వేగంగా కంప్యూటర్‌లకు దారి తీస్తుందని, ఈ ధోరణికి చోదక శక్తిగా ఉంది.
కానీ కంప్యూటర్లు, రోబోలు, ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT) మరియు స్మార్ట్ మెషీన్‌లలో పురోగతి కారణంగా గణన డిమాండ్లు పెరుగుతున్నందున, సెమీకండక్టర్ పరిశ్రమ కంప్యూటర్ చిప్‌లను మరింత సూక్ష్మీకరించడం సాధ్యం కాని స్థితికి చేరుకుంది. నిజానికి ఒకే చిప్‌లో సరిపోయే చాలా ట్రాన్సిస్టర్‌లు మాత్రమే ఉన్నాయి.
ఫలితంగా, కంప్యూటర్ శాస్త్రవేత్తలు "న్యూరోమార్ఫిక్ కంప్యూటింగ్" అని పిలువబడే కంప్యూటింగ్‌కు సరికొత్త విధానం వైపు మొగ్గు చూపుతున్నారు, దీనిలో కంప్యూటర్లు మానవ మెదడుతో సమానంగా పనిచేయడానికి మరియు బయటి ప్రపంచంతో సంకర్షణ చెందడానికి రూపొందించబడ్డాయి.
ఈ అధ్యయన రంగం జనాదరణ పొందుతోంది మరియు కంప్యూటర్ హార్డ్‌వేర్ మరియు కృత్రిమ మేధస్సు వ్యవస్థల సృష్టిలో ప్రాథమిక దశగా పరిగణించబడుతుంది. ఈ అభివృద్ధి చెందుతున్న ఫీల్డ్ గురించి మరియు కంప్యూటర్ సైన్స్ యొక్క భవిష్యత్తు కోసం మీరు తెలుసుకోవలసిన ప్రతిదాన్ని మేము కవర్ చేస్తాము.
మెదడు సమాచారాన్ని ఎలా ప్రాసెస్ చేస్తుంది మరియు నిల్వ చేస్తుంది?
న్యూరోమార్ఫిక్ పరికరాలు మరియు వాటి అనువర్తనాలకు వెళ్లే ముందు, ఈ క్షేత్రాన్ని (సినాప్టిక్ ప్లాస్టిసిటీ) ప్రేరేపించే జీవసంబంధమైన దృగ్విషయాన్ని చర్చించడం ఉత్తమం. ఇది కొత్త సమాచారాన్ని మార్చడానికి మరియు స్వీకరించడానికి మానవ మెదడు యొక్క అసాధారణ సామర్థ్యం. దీన్ని సరిగ్గా అంచనా వేయడానికి, ముందుగా మన స్వంత "కంప్యూటర్ సెంటర్" యొక్క ప్రాథమిక ఆపరేషన్ గురించి చర్చించాలి.
మెదడులోని మెసెంజర్ కణాలను న్యూరాన్లు అంటారు. అవన్నీ ఒకదానితో ఒకటి అనుసంధానించబడి ఉన్నాయి, సినాప్సెస్‌కు ధన్యవాదాలు, ఎలక్ట్రానిక్ ప్రేరణలు మరియు రసాయన సంకేతాలు ప్రసారం చేయబడిన విస్తారమైన నెట్‌వర్క్‌లో వాటన్నింటినీ కనెక్ట్ చేసే కనెక్ట్ చేసే సైట్‌లు. మిల్లీసెకన్ల పొడవున్న విద్యుత్తు యొక్క చిన్న పేలుళ్లు అయిన "స్పైక్‌లు" ఉపయోగించి వారు ఒకరితో ఒకరు సంభాషించుకుంటారు.
కంప్యూటర్‌లో మెమరీని ఎక్కువ మెమరీ కణాలను జోడించడం ద్వారా పెంచవచ్చు, కానీ మెదడులో, న్యూరాన్‌ల మధ్య కనెక్షన్‌లను బలోపేతం చేయడం మరియు కొత్త కనెక్షన్‌లను సృష్టించడం ద్వారా జ్ఞాపకాలు ఉత్పత్తి చేయబడతాయి. రెండు న్యూరాన్లు ఒకదానికొకటి మరింత గట్టిగా అనుసంధానించబడినప్పుడు, కనెక్ట్ చేయబడిన సినాప్స్ యొక్క సినాప్టిక్ బరువు పెరుగుతుందని మేము చెప్పగలం. మన మెదడులో దాదాపు 1012 న్యూరాన్లు ఉన్నాయి మరియు అవి ఒకదానికొకటి అనుసంధానించబడి ఉంటాయి 10.15 వారు సినాప్సెస్ ద్వారా కమ్యూనికేట్ చేస్తారు. ఈ కనెక్షన్‌లు మరియు వాటి మధ్య కమ్యూనికేషన్ స్థాయి కాలక్రమేణా హెచ్చుతగ్గులకు లోనవుతుంది మరియు మెదడు మారుతున్న వాతావరణానికి అనుగుణంగా, జ్ఞాపకాలను ఏర్పరుస్తుంది మరియు సంరక్షించగలదు.
సినాప్టిక్ ప్లాస్టిసిటీ యొక్క రెండు కీలక విధానాలైన పొటెన్షియేషన్ మరియు డిప్రెషన్‌ను అర్థం చేసుకోవడం చాలా ముఖ్యం, ఇక్కడ సినాప్టిక్ కనెక్షన్‌లు క్రమంగా బలపడతాయి లేదా బలహీనపడతాయి మరియు అభ్యాసం మరియు జ్ఞాపకశక్తిలో ముఖ్యమైన పాత్ర పోషిస్తాయి. ఇది సెకన్ల నుండి గంటలు లేదా అంతకంటే ఎక్కువ సమయం వరకు ఏ సమయంలోనైనా సాధ్యమవుతుంది.
కొత్త నైపుణ్యాన్ని నేర్చుకునేటప్పుడు సంభవించే అధిక ఫ్రీక్వెన్సీ స్పైక్‌లు, కొన్ని సినాప్‌లను బలోపేతం చేయడం లేదా బలోపేతం చేయడం ద్వారా దీర్ఘకాలిక జ్ఞాపకశక్తి అభివృద్ధికి అనుసంధానించబడి ఉంటాయని ఊహిస్తారు. మరోవైపు, తక్కువ పౌనఃపున్యం ఉద్దీపనలు నిరాశకు కారణమవుతాయి మరియు తత్ఫలితంగా సంబంధిత సినాప్టిక్ జంక్షన్ వద్ద కనెక్షన్ (లేదా సినాప్టిక్ బరువు) బలహీనపడుతుంది, ఇది నేర్చుకున్నదాన్ని మరచిపోయినట్లుగా ఉంటుంది.
ఇది కొంచెం అతి సరళీకరణ అని మరియు సాధికారత మరియు నిరాశ అనేది బీట్‌ల ఫ్రీక్వెన్సీపై మాత్రమే కాకుండా సమయంపై కూడా ఆధారపడి ఉంటుందని నొక్కి చెప్పాలి. ఉదాహరణకు, అనేక న్యూరాన్లు ఒకే సమయంలో సినాప్స్‌కి స్పైక్‌లను పంపినప్పుడు, సినాప్టిక్ బరువు పప్పుల వరుస కంటే చాలా వేగంగా పెరుగుతుంది.
పరిశోధకులు ఈ ప్రక్రియను ఉద్దేశపూర్వకంగా అనుకరించడానికి పెట్టె వెలుపల ఆలోచించాలి ఎందుకంటే ఇది చాలా అధునాతనమైనది మరియు సంక్లిష్టమైనది.
న్యూరోమార్ఫిక్ కంప్యూటర్ ఎలా పని చేస్తుంది?
ఆధునిక కంప్యూటర్‌లను రూపొందించడానికి ఉపయోగించే వాన్ న్యూమాన్ ఆర్కిటెక్చర్ 1930లలో అలాన్ ట్యూరింగ్ అభివృద్ధి చేసిన ఆలోచనల ఆధారంగా రూపొందించబడింది. ఈ కాన్ఫిగరేషన్‌కు మెమరీ మరియు డేటా ప్రాసెసింగ్ యూనిట్‌లను వేరుగా ఉంచడం అవసరం, ఇది పనితీరును నెమ్మదిస్తుంది ఎందుకంటే డేటా వాటి మధ్య ముందుకు వెనుకకు పంపబడుతుంది మరియు అనవసరంగా ఎక్కువ శక్తిని వినియోగిస్తుంది.
మరోవైపు, న్యూరోమార్ఫిక్ కంప్యూటర్లు, గణన మరియు జ్ఞాపకశక్తిని ఒకే భాగంతో మిళితం చేసే చిప్ ఆర్కిటెక్చర్‌లను ఉపయోగిస్తాయి. హార్డ్‌వేర్ పరంగా, ఈ ప్రాంతం విస్తరిస్తోంది మరియు అత్యాధునిక కొత్త డిజైన్‌లు, వివిధ పదార్థాలు మరియు కొత్త కంప్యూటర్ భాగాలను కలిగి ఉంటుంది.
సేంద్రీయ మరియు అకర్బన పదార్థాలను ఉపయోగించి మెదడు యొక్క వశ్యతను అనుకరించే న్యూరాన్లు మరియు సినాప్సెస్ యొక్క సింథటిక్ నెట్‌వర్క్‌లను రూపొందించడానికి ప్రపంచవ్యాప్తంగా పరిశోధకులు కృషి చేస్తున్నారు. IBM యొక్క TrueNorth, Intel యొక్క Loihi మరియు BrainScales-2 వంటి ప్రస్తుతం ఉనికిలో ఉన్న చాలా పెద్ద-స్థాయి న్యూరోమార్ఫిక్ కంప్యూటర్లు, నిరూపితమైన మెటల్ ఆక్సైడ్ సెమీకండక్టర్ టెక్నాలజీ ఆధారంగా ట్రాన్సిస్టర్‌లను ఉపయోగిస్తాయి.
వాన్ న్యూమాన్ కంప్యూటర్లు తరచుగా ఎలక్ట్రానిక్ బిల్డింగ్ బ్లాక్‌లలో ఒకటిగా ట్రాన్సిస్టర్‌లను ఉపయోగిస్తాయి. వందలాది రకాల ట్రాన్సిస్టర్‌లు ఉన్నాయి, మెటల్ ఆక్సైడ్ సెమీకండక్టర్ ఫీల్డ్-ఎఫెక్ట్ ట్రాన్సిస్టర్ లేదా MOSFET అత్యంత ప్రజాదరణ పొందినవి. అవి ప్రాథమికంగా కంప్యూటర్ చిప్‌లోని విద్యుత్ ప్రవాహాల కోసం స్విచ్ (మరియు కొంతవరకు యాంప్లిఫైయర్) వలె పనిచేస్తాయి.
ఇది ప్రతి ట్రాన్సిస్టర్‌ను ఆన్ లేదా ఆఫ్ స్టేట్‌లో ఉండేలా అనుమతిస్తుంది, ఇది బైనరీ 1 లేదా 0కి సమానం, మరియు కరెంట్ ప్రవహించడాన్ని నిరోధిస్తుంది లేదా అనుమతిస్తుంది, ఇది ఏ స్థితిలోనైనా ఉనికిలో ఉండేలా చేస్తుంది. ఈ ఆపరేటింగ్ సూత్రం సమాచారాన్ని నిల్వ చేయడం మరియు ప్రాసెస్ చేయడం చాలా సులభం చేస్తుంది, అందుకే ఎలక్ట్రానిక్ మెమరీ సెల్‌లు మరియు లాజిక్ గేట్‌లు మన డిజిటల్ ప్రపంచంలో ముఖ్యమైన భాగాలుగా మారాయి.
అయితే, మన మెదడులోని విద్యుత్ సంకేతాలు కేవలం 0 మరియు 1 లు మాత్రమే కాదు. ఉదాహరణకు, సినాప్సెస్ మధ్య కనెక్షన్ వేర్వేరు "బరువులు" లేదా సాంద్రతలను కలిగి ఉండవచ్చు.
న్యూరోమార్ఫిక్ కంప్యూటర్‌లో దీన్ని అనుకరించడానికి అనేక సాధనాలు సృష్టించబడ్డాయి. యూనిట్ల మధ్య సిగ్నల్‌ను మాడ్యులేట్ చేసే "యాక్టివ్ లేయర్" అనేది ఒక నిర్దిష్ట రకం సెమీకండక్టర్ ట్రాన్సిస్టర్‌లో చేర్చబడుతుంది, దీనిని పాలిమర్ సినాప్టిక్ ట్రాన్సిస్టర్ అంటారు. వాహకత, అందువలన సిగ్నల్ యొక్క అవుట్పుట్, ఈ పొరను రూపొందించడానికి ఉపయోగించే వాహక పాలిమర్ యొక్క నిర్దిష్ట కూర్పు ద్వారా ప్రభావితమవుతుంది.
ట్రాన్సిస్టర్‌ల ద్వారా నిర్దిష్ట వోల్టేజ్ ఫ్రీక్వెన్సీని వర్తింపజేసినప్పుడు, యాక్టివ్ లేయర్ మార్పులు, మెదడు కార్యకలాపాల్లో వచ్చే చిక్కులతో పోల్చదగిన విద్యుత్ సిగ్నల్‌లో డిప్రెషన్‌లు లేదా యాంప్లిఫికేషన్‌లకు కారణమవుతాయి. ప్రాథమికంగా ప్లాస్టిసిటీ ఎలా వస్తుంది మరియు ప్రతి స్పైక్ ఫ్రీక్వెన్సీ, టైమింగ్, పరిమాణం మరియు ఆకారం గురించి సంఖ్యా డేటాను కలిగి ఉంటుంది. స్పైక్‌లను బైనరీ విలువలకు మరియు వైస్ వెర్సాగా మార్చవచ్చు, అయితే దీన్ని చేయడానికి ఖచ్చితమైన ప్రక్రియ ప్రస్తుతం పరిశోధనలో ఉంది.
మెమిస్టర్‌లు, కెపాసిటర్లు, స్పింట్రోనిక్ పరికరాలు మరియు శిలీంధ్రాలను ఉపయోగించి న్యూరోమోర్ఫిక్ కంప్యూటింగ్ చేయడానికి కొన్ని చమత్కార ప్రయత్నాల వంటి కృత్రిమ భాగాలను ఉపయోగించి మెదడు యొక్క నిర్మాణాన్ని అనుకరించే సృజనాత్మక మార్గాలను పరిశోధకులు నివేదించారు. న్యూరోమార్ఫిక్ హార్డ్‌వేర్ కేవలం ట్రాన్సిస్టర్‌లకు మాత్రమే పరిమితం కాదు.
న్యూరోమార్ఫిక్ కంప్యూటర్‌ను ఎలా ప్రోగ్రామ్ చేయాలి?
ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్‌లు (ANNలు) తరచుగా గణన పనులను నిర్వహించడానికి న్యూరోమోర్ఫిక్ కంప్యూటర్‌లచే ఉపయోగించబడతాయి. ANNల యొక్క అనేక రూపాంతరాలలో ఒకటైన స్పైకింగ్ న్యూరల్ నెట్‌వర్క్‌లు (SNNలు) ప్రత్యేక ఆసక్తిని కలిగి ఉన్నాయి, అవి "స్పైక్‌లు" అని పిలువబడే విద్యుత్ సంకేతాలను మార్పిడి చేయడం ద్వారా ఒకదానితో ఒకటి సంకర్షణ చెందుతాయి మరియు వాటి నమూనాలలో సమయాన్ని పొందుపరచడం ద్వారా సింథటిక్ న్యూరాన్‌లపై నిర్మించబడ్డాయి. ఫలితంగా, ఈ వ్యవస్థలు తక్కువ శక్తిని ఉపయోగిస్తాయి ఎందుకంటే కృత్రిమ న్యూరాన్లు మొత్తం స్పైక్‌ల సంఖ్య నిర్దిష్ట థ్రెషోల్డ్‌ను మించి ఉన్నప్పుడు మాత్రమే సమాచారాన్ని ప్రసారం చేస్తాయి.
నెట్‌వర్క్ పనిచేయడం ప్రారంభించే ముందు, అది తప్పనిసరిగా ప్రోగ్రామ్ చేయబడాలి లేదా ఇతర మాటలలో నేర్చుకోవాలి. అతను గీయగల వాస్తవాలను అతనికి ఇవ్వడం ద్వారా ఇది సాధించబడుతుంది. ANN రకాన్ని బట్టి అభ్యాస వ్యూహం మారవచ్చు. ఉదాహరణకు, ఫోటోగ్రాఫ్‌లలో పిల్లులు లేదా కుక్కలను గుర్తించడానికి నెట్‌వర్క్ శిక్షణ పొందుతున్నట్లయితే, భవిష్యత్ పనిలో దానిని తన స్వంతంగా గుర్తించేలా శిక్షణ ఇవ్వడానికి వేలకొద్దీ చిత్రాలను "పిల్లి" లేదా "కుక్క" ట్యాగ్‌తో అందించవచ్చు. ఇమేజ్‌లోని ప్రతి పిక్సెల్ యొక్క రంగును మానిప్యులేట్ చేయడానికి గుర్తింపు కోసం చాలా శ్రమతో కూడిన లెక్కలు అవసరం.
అనేక రకాల ANNలు ఉన్నాయి మరియు ఏది ఉపయోగించాలనేది వినియోగదారు అవసరాలపై ఆధారపడి ఉంటుంది. తక్కువ శక్తి వినియోగం కారణంగా SNNలు ఆకర్షణీయంగా ఉన్నప్పటికీ, వాటికి శిక్షణ ఇవ్వడం చాలా కష్టం, ఎక్కువగా వాటి సంక్లిష్టమైన న్యూరానల్ డైనమిక్స్ మరియు స్పైకింగ్ ప్రక్రియల యొక్క విడదీయలేని స్వభావం కారణంగా.
న్యూరోమార్ఫిక్ కంప్యూటింగ్ ఎక్కడ ఉపయోగించబడుతుంది?
నిపుణుల అభిప్రాయం ప్రకారం, సాంప్రదాయిక కంప్యూటర్ హార్డ్‌వేర్‌ను భర్తీ చేయడం కంటే న్యూరోమార్ఫిక్ పరికరాలు పూర్తి చేస్తాయి, ప్రత్యేకించి కొన్ని సాంకేతిక సమస్యలను పరిష్కరించేటప్పుడు. న్యూరోమార్ఫిక్ కంప్యూటర్లు బూలియన్ లాజిక్‌ను అనుకరించగలవని వాదనలు ఉన్నప్పటికీ, ఏదైనా ఆధునిక ప్రోగ్రామింగ్ భాషలో ప్రాథమిక ఆలోచన, ఇది న్యూరోమార్ఫిక్ కంప్యూటర్లు సాధారణ-ప్రయోజన కంప్యూటింగ్‌ను సమర్థవంతంగా నిర్వహించగలవని సూచిస్తుంది.
ఏది ఏమైనప్పటికీ, శక్తి సామర్థ్యం మరియు గణన వేగం పరంగా సాంప్రదాయ కంప్యూటర్‌ల కంటే మెదడు ఉన్నతంగా ఉన్న ప్రాంతాలు మరియు అనువర్తనాలు న్యూరోమార్ఫిక్ కంప్యూటింగ్‌ను బాగా ఆకట్టుకుంటాయి.
వాయిస్ లేదా ఇమేజ్ ఐడెంటిఫికేషన్ వంటి అభిజ్ఞా పనులను సమర్థవంతంగా నిర్వహించడానికి ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI)ని వర్తింపజేయడం, అలాగే రోబోటిక్స్, సెన్సింగ్ మరియు హెల్త్‌కేర్ (కొన్ని పేరు పెట్టడం) కోసం కొత్త అవకాశాలను తెరవడం వంటివి వీటిలో ఉన్నాయి.
విషయం ఇంకా ప్రారంభ దశలోనే ఉన్నప్పటికీ మరియు అధిగమించడానికి అడ్డంకులు ఉన్నప్పటికీ, న్యూరోమార్ఫిక్ కంప్యూటింగ్ బాగా ప్రాచుర్యం పొందుతోంది మరియు సాంప్రదాయ కంప్యూటర్ సిస్టమ్‌లకు ఆచరణీయమైన ప్రత్యామ్నాయాన్ని అందిస్తుంది.
మూలం: advancedsciencenews
Günceleme: 14/03/2023 15:25