يحاول مشروع للاتحاد الأوروبي تقليد عملية معالجة الجهاز العصبي البيولوجي

سيتم استخدام النتائج لبناء أنظمة حوسبة عصبية يمكنها معالجة الإشارات الحسية في العالم الحقيقي وبيانات السلاسل الزمنية الطبيعية بكفاءة في الوقت الفعلي. وتشمل التطبيقات المستهدفة المراقبة البيئية الموزعة متعددة الأبعاد، والرقائق القابلة للزرع للتشخيص الطبي، والإلكترونيات القابلة للارتداء، والواجهات البينية بين الإنسان والحاسوب

يعتبر الذكاء الاصطناعي تكنولوجيا الحوسبة التمكينية للابتكارات التكنولوجية في السنوات القادمة. ويستفيد إنترنت الأشياء بالفعل على نطاق واسع من نماذج حوسبة التعلم العميق لتمكين خدمات البحث عن معلومات الإنترنت أو تحديد المعلومات السمعية والبصرية، في حين سوف تقوم إنترنت الأشياء الناشئة بإدارة وتوفير الخدمات التي تعالج البيانات من المليارات من أجهزة الاستشعار المتصلة بالشبكة.

أعلنت CEA-Leti عن مشاركتها في مشروع EU MeM-Scales الجديد، والذي يهدف إلى تطوير فئة من الخوارزميات والأجهزة والدوائر التي تحاكي المعالجة على نطاقات زمنية متعددة للأنظمة العصبية البيولوجية.

سيتم استخدام النتائج لبناء أنظمة حوسبة عصبية يمكنها معالجة الإشارات الحسية الواقعية وبيانات السلاسل الزمنية الطبيعية بكفاءة في الوقت الفعلي ولإظهار الأفكار من خلال نموذج أولي عملي في المختبر. وتشمل التطبيقات المستهدفة المراقبة البيئية الموزعة متعددة الأبعاد، والرقائق القابلة للزرع للتشخيص الطبي، والإلكترونيات القابلة للارتداء، والواجهات البينية بين الإنسان والحاسوب. 

من أجل التفاعل مع العالم الحقيقي، يقوم الدماغ بمعالجة الإشارات الحسية وإدراكها على نطاقات زمنية متعددة، كما أشارت إليسا فيانيلو، مديرة برنامج الذكاء الاصطناعي في CEA-Leti، في مقابلة مع EE Times Europe.

وقال فيانيلو: "تتشكل ذاكرة هذا التفاعل على نطاقات زمنية تتراوح من أجزاء من مائة من الثانية (الذاكرة قصيرة المدى) إلى أشهر وسنوات (التغيرات الهيكلية طويلة المدى)." "لتصميم أنظمة تتفاعل مع العالم الحقيقي، تحتاج الدوائر العصبية إلى محاكاة المعالجة على نطاقات زمنية متعددة للدماغ. ولذلك، فإن هذه الدوائر هي المكونات الحاسمة في خط أنابيب المعالجة."

في النموذج القياسي للشبكة العصبية، يتم إرسال بيانات الإدخال أولاً إلى الخلايا العصبية المدخلة ثم يتم نقلها عبر طبقات مخفية من الخلايا العصبية الأخرى من خلال اتصالات تسمى المشابك العصبية. يتم تعديل البيانات في كل خطوة، ويتم استخدام الإخراج من طبقة واحدة كمدخل للطبقة التالية.

تصل البيانات في النهاية إلى طبقة الإخراج النهائية، والتي توفر التنبؤ - على سبيل المثال، التصنيف إلى فئة أو قيمة رقمية في الانحدار. لا يوجد عنصر للوقت الفعلي هنا - يتم إرسال جميع بيانات الإدخال في نفس الوقت، وتمر عبر كل طبقة من الطبقات المخفية بالترتيب، ويتم إرسالها كلها مرة واحدة.

ولكن ماذا لو لم تصل جميع البيانات المدخلة في نفس الوقت بطريقة نظيفة - ماذا لو كانت سلسلة زمنية أو بيانات تعتمد على الوقت بطريقة أخرى، مثل الإدخال في الوقت الفعلي من أجهزة الاستشعار في السيارة ذاتية القيادة سيارة؟ وماذا لو كان هذا هو الحال أيضًا مع النتائج - وماذا لو كانت النتائج أيضًا مبنية على الوقت، مثل التعليمات المعطاة للسيارة ذاتية القيادة متى تنعطف ومتى تزيد أو تخفض السرعة؟

تعد الشبكات العصبية ذات الزيادات الحادة (SNNs) حلاً لهذه المشكلة. ويمكنهم تلقي مدخلات مستندة إلى الوقت وإنتاج مخرجات مستندة إلى الوقت. وبدلاً من الطبقات الأنيقة، يحتوي المحتوى على هياكل أكثر تعقيدًا لنقل البيانات بين الخلايا العصبية، مثل الحلقات أو الاتصالات متعددة الاتجاهات. ولأنها أكثر تعقيدًا، فإنها تتطلب أنواعًا مختلفة من خوارزميات التدريب والتعلم، مثل إجراء تعديلات على الأساليب المشابهة للانتشار العكسي للتكيف مع سلوك الارتفاع.

المزيد عن الموضوع على موقع العلوم:

• ما هي العلاقة بين البكتيريا والشبكات العصبية؟
• نحن نعمل على تطوير شبكات عصبية تسمح لنا بمعالجة عدد كبير من النصوص وتلخيص معناها
• الخلايا العصبية تبحث عن المعنى