مدل سازی قشر مغز با تراشه ممریستوری در میلی ثانیه

تصور کنید روی یک نمایشگر، مغزی را ببینید که در زمانی کمتر از یک چشم‌برهم‌زدن تا می‌خورد و باز می‌شود. این همان مقیاسی است که این پژوهشگران به آن رسیده‌اند: تراشه‌ای مبتنی بر ممریستور که قشر پیچ‌خورده مغز را در کمتر از ۱۰ میلی‌ثانیه مدل‌سازی می‌کند.

این پژوهش به رهبری یوچائو یانگ در دانشگاه پکن و با همکاری پژوهشگرانی از مؤسسه میکروسیستم و فناوری اطلاعات شانگهای انجام شد و در نشریه ساینس با عنوان «سامانه دینامیکی عصبی زیر ۱۰ میلی‌ثانیه مبتنی بر ممریستورهای تغییر فاز» منتشر شد. برخلاف روش‌های رایج که داده‌ها را میان حافظه و یک پردازنده جداگانه جابه‌جا می‌کنند و همین روند به گلوگاه اصلی مدل‌سازی عددی تبدیل می‌شود، این تیم محاسبات را به درون خود حافظه منتقل کرده است و از ممریستورهای تغییر فاز برای ذخیره‌سازی و پردازش هم‌زمان داده‌ها بهره می‌برد.

چرا این موضوع مهم است؟ بازسازی سطح چین‌خورده مغز به‌صورت بلادرنگ از نظر محاسباتی کاری بسیار سنگین است. سامانه‌های دینامیکی عصبی، که شبکه‌های عصبی را با معادلات دیفرانسیل ترکیب می‌کنند تا سامانه‌های فیزیکی در حال تغییر را دنبال کنند، به گام‌های مکرر انتگرال‌گیری، بررسی خطا و اندازه گام‌های بسیار دقیق نیاز دارند. اگر در هر مرحله داده‌ها از گذرگاه‌ها عبور کنند، زمان و انرژی زیادی هدر می‌رود. اما وقتی محاسبات همان‌جایی انجام شود که داده‌ها قرار دارند، همه چیز به شکل چشمگیری سریع‌تر می‌شود.

این تراشه دینامیک عصبی را در مقیاس زمانی میلی‌ثانیه اجرا می‌کند و با آهنگ محاسبات زیستی هم‌خوان می‌شود.

این تیم روی سیلیکون، با استفاده از فرایند ۴۰ نانومتری، رایانش درون‌حافظه‌ای و آرایه‌های ممریستور رانش رسانایی را تنها در فضایی به اندازه ۰٫۲۸ میلی‌متر مربع جای داد. این دستگاه با فرکانس ۵۰ مگاهرتز کار می‌کند و هر انتگرال‌گیری عددی را از طریق ۹ مرحله خط لوله به پایان می‌رساند. نتیجه بسیار چشمگیر بود: هنگام اجرای بارهای کاری دینامیک عصبی، این سخت‌افزار حدود ۳٫۸ تا ۳۶٫۳ برابر سریع‌تر از مدارهای مجتمع اختصاصی رده‌بالا عمل کرد و در عین حال حدود ۱۱٫۸ تا ۲۴٫۷ برابر توان کمتری مصرف کرد. در وظیفه مشخص بازسازی سطح قشری مغز، این تراشه در مقایسه با پردازنده گرافیکی انویدیا ای۱۰۰ شتابی تا ۴۷۸ برابر گزارش کرد.

نمای کلی سخت‌افزار سامانه دینامیکی عصبی با ممریستور رانش رسانایی چندسطحی و ریزدانه. 

اعداد مربوط به عملکرد یک جنبه ماجرا هستند. کیفیت، جنبه‌ای دیگر است. پژوهشگران مرزهای میان ماده سفید و ماده خاکستری را بازسازی کردند و شبکه‌های سطحی سه‌بعدی مبتنی بر منیفلد را به‌صورت بلادرنگ به دست آوردند. این شبکه‌ها صاف و بسته بودند، چین‌های مغز را حفظ می‌کردند و سازگاری توپولوژیک را نیز نگه می‌داشتند. سنجه‌های کمی، از جمله میانگین فاصله سطحی متقارن و فاصله هاوسدورف، نشان دادند که بازسازی‌ها با کالبدشناسی‌های هدف هم‌خوانی نزدیکی دارند. این یعنی این رویکرد برای رسیدن به سرعت، دقت و وفاداری کالبدشناختی را قربانی نمی‌کند.

به ظرفیت‌های احتمالی آن فکر کنید. نقشه‌برداری بلادرنگ از قشر مغز می‌تواند شیوه رویکرد ما به هدایت جراحی، رابط مغز و رایانه و تصویربرداری پزشکی زنده را تغییر دهد. دوقلوهای دیجیتال مغز که هم‌زمان با پیشرفت جراحی به‌روزرسانی می‌شوند، یا ابزارهای تصویربرداری تطبیقی که در چند میلی‌ثانیه واکنش نشان می‌دهند، دیگر رویاهای مهندسی دور از دسترس نیستند. برای پژوهشگرانی که بیماری‌های تخریب‌کننده عصبی مانند آلزایمر یا پارکینسون را مطالعه می‌کنند، بازسازی سطحی سریع‌تر و باکیفیت‌تر می‌تواند به معنای راه‌های تازه‌ای برای پایش تغییرات ساختاری ظریف در لحظه وقوع باشد.

البته موانع عملی مهمی در مسیر وجود دارد: مقیاس‌پذیر کردن دستگاه برای مدل‌های بزرگ‌تر، یکپارچه‌سازی آن با روندهای بالینی موجود و اعتبارسنجی پایداری آن در برابر تنوع کالبدشناسی بیماران. با این حال، ایده محوری این فناوری، یعنی حذف شکاف میان حافظه و پردازنده و سپردن محاسبات سنگین به سخت‌افزاری که داده‌ها در آن قرار دارند، کمتر شبیه یک بهبود تدریجی و بیشتر شبیه تغییری بنیادی در طراحی ابزارهای محاسبات عصبی به نظر می‌رسد.

اگر ماشین‌ها اکنون بتوانند زمان‌بندی مغز را تقلید کنند و در عین حال جزئیات کالبدشناختی را حفظ کنند، در دهه آینده چه تعاملات تازه‌ای میان پزشکان، بیماران و الگوریتم‌ها شکل خواهد گرفت؟