Bilgisayar biliminin gelişmekte olan bu alanında, bilim insanları bilgisayarları daha hızlı ve daha etkili hale getirmek için beyni modellemektedir. Geçtiğimiz birkaç on yıl içinde, silikon ve diğer yarı iletken malzemelere dayalı bilgisayar işlemcilerinin yaratılmasıyla ortaya çıkan teknolojik bir devrime tanık olduk.
Bilgisayarlar bir zamanlar tüm odalar büyüklüğündeydi, ancak o zamandan beri tek çiplere indirgenmiş durumdalar. Gordon Moore tarafından 1965 yılında yapılan ve entegre çip başına düşen bileşen sayısının her iki yılda bir ikiye katlanarak giderek daha hızlı bilgisayarlara yol açacağı gözlemini tanımlamak için kullanılan bir kavram olan Moore yasası, bu eğilimin arkasındaki itici güç olmuştur.
Ancak bilgisayarlar, robotlar, nesnelerin interneti (IoT) ve akıllı makinelerdeki gelişmeler nedeniyle hesaplama talepleri arttıkça, yarı iletken endüstrisi bilgisayar çiplerini daha fazla minyatürleştirmenin artık mümkün olmadığı bir noktaya geldi. Aslında tek bir çipe sığabilecek sadece çok sayıda transistör var.
Sonuç olarak, bilgisayar bilimcileri “nöromorfik bilişim” olarak bilinen ve bilgisayarların insan beynine benzer şekilde çalışacak ve dış dünya ile etkileşime girecek şekilde tasarlandığı yepyeni bir bilişim yaklaşımına yöneliyor.
Bu çalışma alanı giderek popülerlik kazanmakta ve bilgisayar donanımı ve yapay zeka sistemlerinin oluşturulmasında temel aşama olarak kabul edilmektedir. Bu gelişmekte olan alan hakkında bilmeniz gereken her şeyi ve bilgisayar bilimlerinin geleceği için ne anlama geldiğini ele alıyoruz.
Beyin bilgiyi nasıl işler ve depolar?
Nöromorfik cihazlara ve uygulamalarına geçmeden önce bu alanı motive eden biyolojik fenomeni (sinaptik plastisite) tartışmak en iyisidir. Bu, insan beyninin yeni bilgileri değiştirme ve bunlara uyum sağlama konusundaki olağanüstü kapasitesidir. Bunu doğru bir şekilde değerlendirebilmek için öncelikle kendi “bilgisayar merkezimizin” temel işleyişini tartışmalıyız.
Beynin haberci hücrelerine nöron denir. Elektronik uyarıların ve kimyasal sinyallerin iletildiği geniş bir ağda hepsini birbirine bağlayan bağlantı bölgeleri olan sinapslar sayesinde hepsi birbirine bağlıdır. Milisaniye uzunluğunda kısa elektrik patlamaları olan “sivri uçları” kullanarak birbirleriyle iletişim kurarlar.
Bir bilgisayardaki hafıza sadece daha fazla hafıza hücresi eklenerek artırılabilir, ancak beyinde anılar nöronlar arasındaki bağlantıların güçlendirilmesi ve yeni bağlantılar oluşturulmasıyla üretilir. İki nöron birbirine daha sıkı bağlandığında, bağlanan sinapsın sinaptik ağırlığının arttığını söyleyebiliriz. Beynimizde yaklaşık 1012 nöron vardır ve bunlar birbirleriyle 1015 sinaps aracılığıyla iletişim kurarlar. Beynin değişen çevreye uyum sağlayabilmesi, anılar oluşturabilmesi ve bunları koruyabilmesi için bu bağlantılar ve aralarındaki iletişimin derecesi zamanla ve alınan uyaranların ya da sivri uçların miktarına göre dalgalanır.
Sinaptik bağlantıların kademeli olarak güçlendiği veya zayıfladığı ve öğrenme ve hafızada önemli bir rol oynadığı iki temel sinaptik plastisite mekanizması olan potansiyasyon ve depresyonun anlaşılması çok önemlidir. Bu, saniyelerden saatlere veya daha uzun sürelere kadar herhangi bir zaman aralığında mümkündür.
Yeni bir beceri öğrenirken meydana gelenler gibi daha yüksek frekanslı sivri uçların, belirli sinapsları güçlendirerek veya güçlendirerek uzun süreli hafızanın gelişimiyle bağlantılı olduğu varsayılmaktadır. Öte yandan daha düşük frekanslı uyaranlar depresyona ve sonuç olarak ilgili sinaptik kavşaktaki bağlantının (veya sinaptik ağırlığın) zayıflamasına neden olur ki bu da öğrenilen bir şeyin unutulmasına benzer.
Bunun biraz fazla basitleştirme olduğu ve güçlenme ve depresyonun sadece atımların sıklığına değil aynı zamanda zamanlamasına da bağlı olduğu vurgulanmalıdır. Örneğin, çok sayıda nöron bir sinapsa aynı anda sivri uçlar gönderdiğinde, sinaptik ağırlık, darbelerin art arda gelmesinden çok daha hızlı bir şekilde artar.
Araştırmacılar bu süreci kasıtlı olarak taklit etmek için kutunun dışında düşünmek zorundadır çünkü bu süreç çok sofistike ve karmaşıktır.
Nöromorfik bir bilgisayarın işleyişi nasıldır?
Modern bilgisayarları inşa etmek için kullanılan von Neumann mimarisi, ilk olarak 1930’larda Alan Turing tarafından geliştirilen fikirlere dayanmaktadır. Bu yapılandırma, bellek ve veri işleme birimlerinin ayrı tutulmasını gerektirir, bu da performansı yavaşlatır çünkü verilerin bunlar arasında ileri geri gönderilmesi gerekir ve gereksiz yere daha fazla güç tüketir.
Öte yandan nöromorfik bilgisayarlar, hesaplama ve belleği tek bir bileşende birleştiren çip mimarileri kullanmaktadır. Donanım açısından bu alan genişlemekte ve son teknoloji ürünü yeni tasarımları, çeşitli malzemeleri ve yeni bilgisayar parçalarını içermektedir.
Dünyanın dört bir yanından araştırmacılar, hem organik hem de inorganik malzemeler kullanarak beynin esnekliğine benzeyen sentetik nöron ve sinaps ağları oluşturmak için çalışıyor. IBM’in TrueNorth, Intel’in Loihi ve BrainScales-2 gibi halihazırda var olan büyük ölçekli nöromorfik bilgisayarların çoğu, kendini kanıtlamış metal oksit yarı iletken teknolojisine dayanan transistörler kullanmaktadır.
Von Neumann bilgisayarları transistörleri elektronik yapı taşlarından biri olarak sıklıkla kullanır. Metal oksit yarı iletken alan etkili transistör veya MOSFET en popüler olanı olmak üzere yüzlerce farklı transistör çeşidi vardır. Öncelikle bir bilgisayar çipi içindeki elektrik akımları için bir anahtar (ve daha az ölçüde bir amplifikatör) olarak işlev görürler.
Bu, her bir transistörün ikili 1 veya 0’a eşdeğer olan bir açık veya kapalı durumda bulunmasına izin verir ve bir akımın geçişini önler veya izin verir, her iki durumda da var olmasına izin verir. Bu çalışma prensibi bilginin depolanmasını ve işlenmesini inanılmaz derecede kolaylaştırır, bu nedenle elektronik bellek hücreleri ve mantık kapıları dijital dünyamızın temel bileşenleri haline gelmiştir.
Ancak beynimizdeki elektrik sinyalleri sadece 0 ve 1’lerden oluşmaz. Örneğin, sinapslar arasındaki bir bağlantı farklı “ağırlıklara” veya yoğunluklara sahip olabilir.
Bunu nöromorfik bir bilgisayarda simüle etmek için birçok araç oluşturulmuştur. Birimler arasındaki sinyali modüle eden bir “aktif katman”, polimer sinaptik transistör olarak bilinen belirli bir yarı iletken transistör türüne dahil edilmiştir. İletkenlik ve dolayısıyla sinyalin çıkışı, bu katmanı oluşturmak için kullanılan iletken polimerin spesifik bileşiminden etkilenir.
Transistörler aracılığıyla belirli bir voltaj frekansı uygulandığında, aktif tabaka değişerek elektrik sinyalinde beyin aktivitesindeki ani yükselmelerle karşılaştırılabilecek çöküntülere veya güçlenmelere neden olur. Plastisite temelde bu şekilde ortaya çıkar ve her bir sivri uç frekansı, zamanlaması, boyutu ve şekli hakkında sayısal veriler içerir. Sivri uçlar ikili değerlere dönüştürülebilir ya da tam tersi yapılabilir, ancak bunu yapmak için kesin süreç şu anda araştırılmaktadır.
Araştırmacılar, memristörler, kapasitörler, spintronik cihazlar ve hatta mantarlar kullanarak nöromorfik bilgi işlem gerçekleştirmeye yönelik bazı ilgi çekici girişimler gibi yapay bileşenler kullanarak beynin yapısını taklit etmek için giderek daha yaratıcı yollar bildirmişlerdir. Nöromorfik donanım sadece transistörlerle de sınırlı değildir.
Nöromorfik bir bilgisayar nasıl programlanır?
Yapay sinir ağları (YSA’lar) nöromorfik bilgisayarlar tarafından hesaplama görevlerini yerine getirmek için sıklıkla kullanılmaktadır. YSA’ların birçok çeşidinden biri olan spiking sinir ağları (SNN’ler), “spike” olarak bilinen elektrik sinyallerini değiş tokuş ederek birbirleriyle etkileşime giren ve modellerine zamanı dahil eden sentetik nöronlar üzerine inşa edildikleri için özellikle ilgi çekicidir. Sonuç olarak, bu sistemler daha az enerji kullanır çünkü yapay nöronlar yalnızca aldıkları toplam sivri uç sayısı belirli bir eşiği aştığında bilgi yayınlar.
Ağ çalışmaya başlamadan önce programlanmalı ya da başka bir deyişle öğrenmelidir. Bu, ona yararlanabileceği gerçekler verilerek gerçekleştirilir. Öğrenme stratejisi YSA’nın türüne göre değişebilir. Örneğin, ağ fotoğraflardaki kedi veya köpekleri tanımak üzere eğitiliyorsa, gelecekteki işlerde özneyi kendi başına tanıması için eğitmek üzere “kedi” veya “köpek” etiketiyle binlerce görüntü beslenebilir. Görüntüdeki her bir pikselin rengini işlemek, tanımlama için son derece zahmetli hesaplamalar gerektirir.
Çok çeşitli YSA’lar vardır ve bunlardan hangisinin kullanılacağı kullanıcının ihtiyaçlarına bağlıdır. SNN’ler, düşük güç tüketimleri nedeniyle cazip olmalarına rağmen, çoğunlukla karmaşık nöronal dinamikleri ve spike işlemlerinin farklılaştırılamaz doğası nedeniyle genel olarak eğitilmesi zordur.
Nöromorfik bilişim nerede kullanılıyor?
Uzmanlara göre, nöromorfik cihazlar geleneksel bilgisayar donanımının yerini almak yerine, özellikle belirli teknolojik sorunların çözümü söz konusu olduğunda, onu tamamlayacak. Nöromorfik bilgisayarların herhangi bir modern programlama dilinde temel bir fikir olan Boolean mantığını simüle edebildiğine dair iddialar olsa da, bu durum nöromorfik bilgisayarların potansiyel olarak genel amaçlı hesaplama yapabileceğini göstermektedir.
Her halükarda, beynin enerji verimliliği ve hesaplama hızı açısından geleneksel bilgisayarlardan üstün olduğu alanlar ve uygulamalar nöromorfik hesaplamayı çok etkileyici bulacaktır.
Bunlar arasında ses veya görüntü tanımlama gibi bilişsel görevleri etkin bir şekilde yerine getirmek için yapay zeka (AI) uygulamanın yanı sıra robotik, algılama ve sağlık hizmetleri için yeni olasılıkların açılması da yer almaktadır (birkaç isim vermek gerekirse).
Konu henüz emekleme aşamasında olmasına ve aşılması gereken engeller bulunmasına rağmen, nöromorfik bilişim giderek daha popüler hale gelmekte ve geleneksel bilgisayar sistemlerine uygulanabilir bir alternatif sunmaktadır.
Kaynak: advancedsciencenews
