هوش مصنوعی با الهام از مغز حیوانات می‌تواند روبات‌های جدا گانه را منقلب کند_اسپایدر

تیمی از محققان دانشگاه صنعتی دلفت، هواپیمایی ساخته‌اند که به‌صورت خودکار با منفعت گیری از پردازش و کنترل عکس نورومورفیک بر پایه کارکرد مغز حیوانات پرواز می‌کند.

مغز حیوانات در قیاس با شبکه‌های عصبی عمیق جاری که روی GPU (تراشه‌های گرافیکی) کار می‌کنند، از داده‌ها و انرژی کمتری منفعت گیری می‌کنند. پردازنده‌های نورومورفیک برای پهپادهای کوچک زیاد مناسب می باشند چون به سخت‌افزار و باتری سنگین و بزرگ نیاز ندارند.

نتایج این پرواز بسیار می باشند: در طول پرواز، شبکه عصبی عمیق پهپاد، داده‌ها را تا ۶۴ برابر سریع تر پردازش می‌کند و سه برابر کمتر از وقتی که با یک GPU کار می‌کند، انرژی مصرف می‌کند.

پیشرفت‌های زیاد تر این فناوری امکان پذیر جهش را برای پهپادها به کوچکی، چابکی و هوشمندی حشرات یا پرندگان درحال پرواز مقدور کند.

یادگیری از مغز حیوانات: شبکه های عصبی پرشور

هوش مصنوعی پتانسیل بالایی برای اراعه راهکارهای مورد نیاز انتقال کاربردهای دنیای واقعی به روبات‌های جدا گانه دارد. با این‌حال، هوش مصنوعی جاری به شبکه‌های عصبی عمیقی که نیاز به قوت محاسباتی قابل توجهی دارند، متکی است.

پردازنده‌های ساخته شده برای اجرای شبکه‌های عصبی عمیق (همانند واحد پردازش گرافیکی، GPU) مقدار قابل توجهی انرژی مصرف می‌کنند. به خصوص برای ربات‌های کوچک همانند پهپادهای پرنده. این یک مشکل است، چون این هواپیماها فقط می‌توانند منبع های زیاد محدودی را از نظر سنجش و محاسبات حمل کنند.

مغز حیوانات اطلاعات را به طوری پردازش می‌کند که زیاد متفاوت از شبکه‌های عصبی درحال اجرا بر روی پردازنده‌های گرافیکی است. نورون‌های بیولوژیکی اطلاعات را به‌صورت ناهمزمان پردازش می‌کنند و زیاد تر از طریق پالس‌های الکتریکی به‌نام «اسپایک» باهم ربط برقرار می‌کنند. از آنجایی که ارسال این چنین سیگنال‌هایی هزینه انرژی دارد، مغز آن شدن را به حداقل می‌رساند و تبدیل پردازش پراکنده می‌بشود.

دانشمندان و شرکت‌های فناوری با الهام از این ویژگی‌های مغز حیوانات، درحال گسترش پردازنده‌های نورومورفیک تازه می باشند. این پردازنده‌های تازه امکان اجرای شبکه‌های عصبی پرشور را فراهم می‌کنند و وعده خواهند داد که زیاد سریع تر و کارآمدتر در مصرف انرژی باشند.

«جسی هاگنارز»، کاندیدای دکترا و یکی از نویسندگان مقاله می‌گوید: «محاسباتی که توسط شبکه‌های عصبی اسپایکی انجام می‌بشود زیاد ساده‌تر از محاسبات در شبکه‌های عصبی عمیق استاندارد است. با ضرب و جمع کردن اعداد ممیز متغیر، شبکه‌های عصبی سریع تر و کارآمدتر خواهد شد.»

اگر پردازنده‌های عصبی در ترکیب با حسگرهای نورومورفیک همانند دوربین‌های نورومورفیک منفعت گیری شوند، این بازده انرژی زیاد تر افزایش می‌یابد. این چنین دوربین‌هایی در یک بازه وقتی ثابت عکس نمی‌سازند. در عوض، هر پیکسل تنها وقتی سیگنال ارسال می‌کند که روشن‌تر یا تاریک‌تر بشود.

مزایای این چنین دوربین‌هایی این است که می‌توانند حرکت را زیاد سریع تر فهمیدن کنند، انرژی کارآمدتری دارند و در محیط‌های تاریک و روشن کارکرد مساعد دارند. علاوه‌بر این، سیگنال‌های دوربین‌های نورومورفیک می‌توانند مستقیماً به شبکه‌های عصبی درحال اجرا روی پردازنده‌های عصبی داخل شوند. آنها با هم می‌توانند یک توانمندساز بزرگ برای ربات‌های جدا گانه، به اختصاصی ربات‌های کوچک و چابک همانند پهپادهای پرنده، راه اندازی دهند.

اولین الهام از سیستم عصبی حیوانات و کنترل هواپیما

در مقاله‌ای که ۱۵ می ۲۰۲۴ در Science Robotics انتشار شد، محققان دانشگاه صنعتی دلفت هلند برای اولین بار هواپیمایی را نشان دادند که از دید و کنترل نورومورفیک برای پرواز جدا گانه منفعت گیری می‌کند.

آنها شبکه عصبی اسپایکی تشکیل 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 می بود مستقر شد. به لطف شبکه، هواپیما می‌تواند حرکت خود را در همه جهات فهمیدن و کنترل کند.

«فدریکو پاردس والس»، یکی از محققانی که روی این مطالعه کار کرد، می‌گوید:

«ما با چالش‌های بسیاری روبرو بودیم، اما سخت‌ترین آنها این می بود که فکر کنیم چطور می‌توانیم یک شبکه عصبی را تنظیم کنیم تا به قدر کافی سریع و آموزش‌دیده باشد. درنهایت، ما یک شبکه متشکل از دو ماژول را طراحی کردیم. ماژول اول یاد می‌گیرد تا حرکت را به طور بصری از سیگنال‌های دوربین نورومورف حساس به نور فهمیدن کند. این کار را به طور کاملاً خودآموز و بر پایه داده‌های دوربین انجام می‌دهد. درست همانند چگونگی یادگیری حیوانات برای فهمیدن جهان توسط خودشان. ماژول دوم یاد می‌گیرد که حرکت تخمینی را برای کنترل دستورات در یک همانند‌ساز ترسیم کند. این یادگیری به یک تکامل مصنوعی در همانند‌سازی متکی می بود. در طول نسل‌های تکامل مصنوعی، شبکه‌های عصبی اسپایکی به‌طور فزاینده‌ای در کنترل خوب شدند و درنهایت توانستند در هر جهتی با شدت‌های گوناگون پرواز کنند. ما هر دو ماژول را آموزش دادیم و راهی را تشکیل کردیم که با آن بتوانیم آنها را باهم ادغام کنیم. هنگامی که دیدیم شبکه ادغام‌شده بلافاصله روی ربات واقعی به خوبی کار کرد، زیاد خوشحال شدیم.»

این هواپیما با دید و کنترل نورومورفیک خود قادر است با شدت‌های گوناگون در شرایط نوری گوناگون از تاریکی تا روشنایی پرواز کند. حتی می‌تواند با نورهای سوسوزن پرواز کند، که علتمی‌بشود پیکسل‌های دوربین نورومورفیک، تعداد بسیاری سیگنال غیرمرتبط با حرکت را به شبکه ارسال کنند.

بهبود منفعت‌وری انرژی و شدت توسط هوش مصنوعی نورومورفیک

اندازه‌گیری‌ها، پتانسیل هوش مصنوعی نورومورفیک را تایید می‌کند. شبکه به‌طور متوسط بین ۲۷۴ تا ۱۶۰۰ بار در ثانیه اجرا می‌بشود. اگر همان شبکه را روی یک GPU کوچک و جاسازی شده اجرا کنیم، به طور متوسط فقط ۲۵ بار در ثانیه اجرا می بشود!

علاوه‌بر این، زمان اجرای شبکه، تراشه تحقیقاتی Loihi تنها ۱.۰۰۷ وات مصرف می‌کند که ۱ وات آن توانی است که پردازنده زمان روشن کردن تراشه مصرف می‌کند. راه‌اندازی خود شبکه فقط ۷ میلی وات هزینه دارد.

درمقایسه، زمان اجرای یک شبکه، پردازنده گرافیکی تعبیه شده ۳ وات مصرف می‌کند که ۱ وات آن در حالت بیکار و ۲ وات برای اجرای شبکه صرف می‌بشود. رویکرد نورومورفیک تبدیل هوش مصنوعی می‌بشود که سریع تر و کارآمدتر عمل می‌کند و امکان استقرار روی ربات‌های خودمختار زیاد 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 جدا گانه است.

هواپیماهای بدون سرنشین کوچک می‌توانند برای کاربردهای گوناگون؛ از نظارت بر محصول در گلخانه‌ها تا پیگیری انبارها منفعت گیری شوند. آنها می‌توانند زیاد ارزان باشند، به‌طوری که بتوانند به طور دسته جمعی مستقر شوند و منطقه را سریع تر پوشش دهند.

کار جاری گامی عالی در این مسیر است. با این‌حال، تحقق این برنامه‌ها به افت زیاد تر سخت‌افزار نورومورفیک و گسترش قابلیت‌ها به سمت ماموریت های پیچیده‌تر همانند ناوبری بستگی دارد.