هوش مصنوعی با الهام از مغز حیوانات می‌تواند روبات‌های مستقل را متحول کند
مغز حیوانات در مقایسه با شبکه‌های عصبی عمیق فعلی که روی GPU (تراشه‌های گرافیکی) کار می‌کنند، از داده‌ها و انرژی کمتری استفاده می‌کنند.
تیمی از محققان دانشگاه صنعتی دلفت، هواپیمایی ساخته‌اند که به‌صورت خودکار با استفاده از پردازش و کنترل تصویر نورومورفیک براساس عملکرد مغز حیوانات پرواز می‌کند.
مغز حیوانات در مقایسه با شبکه‌های عصبی عمیق فعلی که روی GPU (تراشه‌های گرافیکی) کار می‌کنند، از داده‌ها و انرژی کمتری استفاده می‌کنند. پردازنده‌های نورومورفیک برای پهپاد‌های کوچک بسیار مناسب هستند، زیرا به سخت‌افزار و باتری سنگین و بزرگ نیاز ندارند.
نتایج این پرواز فوق‌العاده هستند: در طول پرواز، شبکه عصبی عمیق پهپاد، داده‌ها را تا ۶۴ برابر سریع‌تر پردازش می‌کند و سه برابر کمتر از زمانی که با یک GPU کار می‌کند، انرژی مصرف می‌کند.
پیشرفت‌های بیشتر این فناوری ممکن است جهش را برای پهپاد‌ها به کوچکی، چابکی و هوشمندی حشرات یا پرندگان درحال پرواز امکان‌پذیر کند.
یادگیری از مغز حیوانات: شبکه‌های عصبی پرشور
هوش مصنوعی پتانسیل بالایی برای ارائه راهکارهای مورد نیاز انتقال کاربردهای دنیای واقعی به روبات‌های مستقل دارد. با این‌حال، هوش مصنوعی فعلی به شبکه‌های عصبی عمیقی که نیاز به قدرت محاسباتی قابل توجهی دارند، متکی است.
پردازنده‌های ساخته شده برای اجرای شبکه‌های عصبی عمیق (مانند واحد پردازش گرافیکی، GPU) مقدار قابل توجهی انرژی مصرف می‌کنند. به خصوص برای ربات‌های کوچک مانند پهپاد‌های پرنده. این یک مشکل است، زیرا این هواپیما‌ها فقط می‌توانند منابع بسیار محدودی را از نظر سنجش و محاسبات حمل کنند.
مغز حیوانات اطلاعات را به گونه‌ای پردازش می‌کند که بسیار متفاوت از شبکه‌های عصبی درحال اجرا بر روی پردازنده‌های گرافیکی است. نورون‌های بیولوژیکی اطلاعات را به‌صورت ناهمزمان پردازش می‌کنند و بیشتر از طریق پالس‌های الکتریکی به‌نام «اسپایک» باهم ارتباط برقرار می‌کنند. از آنجایی که ارسال چنین سیگنال‌هایی هزینه انرژی دارد، مغز آن شدن را به حداقل می‌رساند و منجر به پردازش پراکنده می‌شود.
دانشمندان و شرکت‌های فناوری با الهام از این ویژگی‌های مغز حیوانات، درحال توسعه پردازنده‌های نورومورفیک جدید هستند. این پردازنده‌های جدید امکان اجرای شبکه‌های عصبی پرشور را فراهم می‌کنند و وعده می‌دهند که بسیار سریع‌تر و کارآمدتر در مصرف انرژی باشند.
«جسی هاگنارز»، کاندیدای دکترا و یکی از نویسندگان مقاله می‌گوید: «محاسباتی که توسط شبکه‌های عصبی اسپایکی انجام می‌شود بسیار ساده‌تر از محاسبات در شبکه‌های عصبی عمیق استاندارد است. با ضرب و جمع کردن اعداد ممیز متغیر، شبکه‌های عصبی سریع‌تر و کارآمدتر می‌شوند.»
اگر پردازنده‌های عصبی در ترکیب با حسگر‌های نورومورفیک مانند دوربین‌های نورومورفیک استفاده شوند، این بازده انرژی بیشتر افزایش می‌یابد. چنین دوربین‌هایی در یک بازه زمانی ثابت عکس نمی‌سازند. در عوض، هر پیکسل تنها زمانی سیگنال ارسال می‌کند که روشن‌تر یا تاریک‌تر شود.
مزایای چنین دوربین‌هایی این است که می‌توانند حرکت را بسیار سریع‌تر درک کنند، انرژی کارآمدتری دارند و در محیط‌های تاریک و روشن عملکرد خوبی دارند. علاوه‌بر این، سیگنال‌های دوربین‌های نورومورفیک می‌توانند مستقیماً به شبکه‌های عصبی درحال اجرا روی پردازنده‌های عصبی وارد شوند. آنها با هم می‌توانند یک توانمندساز بزرگ برای ربات‌های مستقل، به ویژه ربات‌های کوچک و چابک مانند پهپاد‌های پرنده، تشکیل دهند.
اولین الهام از سیستم عصبی حیوانات و کنترل هواپیما
در مقاله‌ای که ۱۵ می ۲۰۲۴ در Science Robotics منتشر شد، محققان دانشگاه صنعتی دلفت هلند برای اولین بار هواپیمایی را نشان دادند که از دید و کنترل نورومورفیک برای پرواز مستقل استفاده می‌کند.
آنها شبکه عصبی اسپایکی ایجاد کردند که سیگنال‌های یک دوربین نورومورفیک را پردازش می‌کند و دستورات کنترلی را که موقعیت و رانش هواپیما را تعیین می‌کند، صادر می‌کند. این شبکه روی تراشه تحقیقاتی نورومورفیک Loihi اینتل که بر روی هواپیما بود مستقر شد. به لطف شبکه، هواپیما می‌تواند حرکت خود را در همه جهات درک و کنترل کند.
«فدریکو پاردس والس»، یکی از محققانی که روی این مطالعه کار کرد، می‌گوید:
«ما با چالش‌های زیادی روبرو بودیم، اما سخت‌ترین آنها این بود که تصور کنیم چگونه می‌توانیم یک شبکه عصبی را تنظیم کنیم تا به اندازه کافی سریع و آموزش‌دیده باشد. درنهایت، ما یک شبکه متشکل از دو ماژول را طراحی کردیم. ماژول اول یاد می‌گیرد تا حرکت را به صورت بصری از سیگنال‌های دوربین نورومورف حساس به نور درک کند. این کار را به صورت کاملاً خودآموز و براساس داده‌های دوربین انجام می‌دهد. درست مانند چگونگی یادگیری حیوانات برای درک جهان توسط خودشان. ماژول دوم یاد می‌گیرد که حرکت تخمینی را برای کنترل دستورات در یک شبیه‌ساز ترسیم کند. این یادگیری به یک تکامل مصنوعی در شبیه‌سازی متکی بود. در طول نسل‌های تکامل مصنوعی، شبکه‌های عصبی اسپایکی به‌طور فزاینده‌ای در کنترل خوب شدند و درنهایت توانستند در هر جهتی با سرعت‌های مختلف پرواز کنند. ما هر دو ماژول را آموزش دادیم و راهی را ایجاد کردیم که با آن بتوانیم آنها را باهم ادغام کنیم. هنگامی که دیدیم شبکه ادغام‌شده بلافاصله روی ربات واقعی به خوبی کار کرد، بسیار خوشحال شدیم.»
این هواپیما با دید و کنترل نورومورفیک خود قادر است با سرعت‌های مختلف در شرایط نوری مختلف از تاریکی تا روشنایی پرواز کند. حتی می‌تواند با نور‌های سوسوزن پرواز کند، که باعث می‌شود پیکسل‌های دوربین نورومورفیک، تعداد زیادی سیگنال غیرمرتبط با حرکت را به شبکه ارسال کنند.
بهبود بهره‌وری انرژی و سرعت توسط هوش مصنوعی نورومورفیک
اندازه‌گیری‌ها، پتانسیل هوش مصنوعی نورومورفیک را تایید می‌کند. شبکه به‌طور متوسط بین ۲۷۴ تا ۱۶۰۰ بار در ثانیه اجرا می‌شود. اگر همان شبکه را روی یک GPU کوچک و جاسازی شده اجرا کنیم، به طور متوسط فقط ۲۵ بار در ثانیه اجرا می‌شود!
علاوه‌بر این، هنگام اجرای شبکه، تراشه تحقیقاتی Loihi تنها 1.007 وات مصرف می‌کند که 1 وات آن توانی است که پردازنده هنگام روشن کردن تراشه مصرف می‌کند. راه‌اندازی خود شبکه فقط 7 میلی وات هزینه دارد.
درمقایسه، هنگام اجرای یک شبکه، پردازنده گرافیکی تعبیه شده 3 وات مصرف می‌کند که 1 وات آن در حالت بیکار و 2 وات برای اجرای شبکه صرف می‌شود. رویکرد نورومورفیک منجر به هوش مصنوعی می‌شود که سریع‌تر و کارآمدتر عمل می‌کند و امکان استقرار روی ربات‌های خودمختار بسیار کوچک‌تر را فراهم می‌کند.
کاربردهای آینده
هوش مصنوعی نورومورفیک به همه ربات‌های خودمختار این امکان را می‌دهد تا باهوش‌تر باشند، اما این یک توانمندی مطلق برای روبات‌های کوچک مستقل است.
هواپیماهای بدون سرنشین کوچک می‌توانند برای کاربردهای مختلف؛ از نظارت بر محصول در گلخانه‌ها تا پیگیری انبارها استفاده شوند. آنها می‌توانند بسیار ارزان باشند، به‌طوری که بتوانند به صورت دسته جمعی مستقر شوند و منطقه را سریع‌تر پوشش دهند.
کار فعلی گامی عالی در این مسیر است. با این‌حال، تحقق این برنامه‌ها به کاهش بیشتر سخت‌افزار نورومورفیک و گسترش قابلیت‌ها به سمت وظایف پیچیده‌تر مانند ناوبری بستگی دارد.
