مغز انسان، الهام‌بخش فناوری جدید، زیست‌پردازنده‌ای با مصرف انرژی بسیار کم

تحول سبز در فناوری: زیست‌پردازنده‌هایی با مصرف انرژی میلیون‌ها برابر کمتر

Neuroplatform، پلتفرمی برای آینده محاسبات پیچیده به مدد زیست‌پردازنده‌ها

یک استارتاپ سوئیسی با نام FinalSpark به تازگی پلتفرم آنلاین منحصربه‌فردی به نام Neuroplatform را راه‌اندازی کرده که به کاربران امکان می‌دهد به 16 ارگانوئید مغز انسان دسترسی از راه دور داشته باشند. این پلتفرم به‌عنوان اولین سیستم آنلاین در جهان معرفی شده که می‌تواند نورون‌های بیولوژیکی را در شرایط آزمایشگاهی برای انجام تحقیقات و آزمایشات علمی به‌کار گیرد. ادعای این شرکت مبنی بر اینکه زیست‌پردازنده‌های مورد استفاده در این پلتفرم میلیون‌ها برابر کمتر از پردازنده‌های دیجیتال سنتی انرژی مصرف می‌کنند، توجه بسیاری را به خود جلب کرده است.

سیستم Neuroplatform که توسط FinalSpark توسعه یافته، علاوه بر دسترسی به نورون‌های بیولوژیکی، قادر به یادگیری و پردازش اطلاعات نیز می‌باشد. این ویژگی می‌تواند انقلابی در حوزه محاسبات زیستی ایجاد کند و تأثیرات زیست‌محیطی ناشی از مصرف انرژی در محاسبات دیجیتال را به‌طور چشمگیری کاهش دهد. این استارتاپ با توجه به روند رو به رشد تقاضا برای محاسبات پیشرفته و مصرف بالای انرژی در این زمینه، قصد دارد با استفاده از زیست‌پردازنده‌ها، راهکاری پایدارتر و کم‌مصرف‌تر ارائه دهد.

در مقاله‌ای که توسط این شرکت منتشر شده، آمده است که آموزش یک مدل زبانی بزرگ مانند GPT-3 به حدود 10 گیگاوات ساعت انرژی نیاز دارد که این مقدار انرژی، تقریباً معادل مصرف انرژی یک شهروند اروپایی در طول یک سال است. FinalSpark معتقد است که با استقرار موفقیت‌آمیز زیست‌پردازنده‌های خود، می‌توان هزینه‌های مربوط به انرژی را به‌شدت کاهش داد و از این طریق به کاهش انتشار کربن و محافظت از محیط زیست کمک کرد.

پلتفرم Neuroplatform با فراهم آوردن دسترسی به زیست‌پردازنده‌ها و ارائه یک راهکار نوین در حوزه زیست‌رایانه‌ها، به‌عنوان یک گام مهم در پیشبرد تحقیقات علمی و کاهش هزینه‌های انرژی در زمینه محاسبات پیشرفته محسوب می‌شود. این فناوری می‌تواند تحولی بزرگ در صنعت محاسبات ایجاد کند و راه را برای توسعه فناوری‌های پایدارتر و کم‌مصرف‌تر هموار سازد.

Neuroplatform، پلتفرمی برای آینده محاسبات

بافت مغز انسان، کلید فناوری جدید: زیست‌پردازنده‌های FinalSpark

محاسبات و هوش ارگانوئیدی (computing and organoid intelligence ) یکی از جدیدترین حوزه‌های تحقیقاتی است که در تقاطع بین الکتروفیزیولوژی و هوش مصنوعی قرار دارد. در این حوزه، به جای استفاده از شبکه‌های عصبی مصنوعی (ANNs) که مبتنی بر تانسورهای دیجیتال هستند، از نورون‌های زنده برای انجام محاسبات استفاده می‌شود. برخلاف روش‌های مرسوم که تغییرات فوری در پاسخ شبکه‌ها را امکان‌پذیر می‌کنند، کار با نورون‌های بیولوژیکی نیازمند توسعه روش‌های کاملاً جدیدی است که به دانشمندان اجازه دهد تا رفتارهای شبکه‌های عصبی را با دقت بالا مطالعه و کنترل کنند.

برای پاسخگویی به این نیاز، استارتاپ سوئیسی FinalSpark پلتفرم Neuroplatform را معرفی کرده است؛ سیستمی که امکان انجام آزمایش‌های الکتروفیزیولوژیکی روی ارگانوئیدهای مغزی را در مقیاسی بی‌نظیر فراهم می‌کند. این پلتفرم به محققان اجازه می‌دهد تا به ارگانوئیدهایی با عمر بیش از ۱۰۰ روز دسترسی داشته باشند و آزمایش‌های متعدد و پیچیده‌ای را روی آن‌ها انجام دهند. با استفاده از سیستم میکروفلوئیدی طراحی شده، تغییرات محیطی به‌صورت خودکار مدیریت می‌شود، که این امر اختلالات فیزیکی را به حداقل رسانده و شرایط محیطی پایدار را برای آزمایش‌ها فراهم می‌کند.

در طول سه سال گذشته، Neuroplatform به محققان این امکان را داده است که با بیش از ۱۰۰۰ ارگانوئید مغزی کار کنند و داده‌های ارزشمندی جمع‌آوری کنند. تا به امروز، این پلتفرم بیش از ۱۸ ترابایت داده تولید کرده و به‌وسیله یک API اختصاصی، محققان می‌توانند از راه دور و به‌صورت مستقیم از طریق ابزارهای برنامه‌نویسی مانند Python و Jupyter Notebooks به این داده‌ها دسترسی داشته باشند و آزمایش‌های خود را مدیریت کنند. این سیستم همچنین با کنترل پمپ‌ها، دوربین‌های دیجیتال و چراغ‌های UV، امکان انجام آزمایش‌های پیچیده ۲۴/۷ را فراهم می‌کند.

این زیرساخت پیشرفته که از استفاده کاملاً از راه دور پشتیبانی می‌کند، از سال ۲۰۲۴ به‌طور آزادانه برای اهداف تحقیقاتی در دسترس قرار گرفته است. هم‌اکنون گروه‌های تحقیقاتی مختلف از سراسر جهان شروع به بهره‌برداری از این پلتفرم برای آزمایش‌های پیشرفته خود کرده‌اند، که این امر نه تنها به تسریع فرآیندهای تحقیقاتی کمک می‌کند، بلکه می‌تواند راهگشای تحولات نوین در محاسبات زیستی و هوش مصنوعی باشد.

رشد چشمگیر رایانش زیستی و به دنبال آن، شبکه‌های عصبی زیستی مصنوعی (BNNs)، همزمان با پیچیده‌تر شدن شبکه‌های عصبی مصنوعی (ANNs) رخ داده است.

نسل جدید مدل‌های بزرگ زبانی (LLMs) مانند Llama 2 متا یا GPT-4 OpenAI، به طور بنیادی به ANNs وابسته هستند.

افزایش سریع استفاده از ANNs در زندگی روزمره، مانند ابزارهایی مانند ChatGPT یا Perplexity، همراه با افزایش پیچیدگی در معماری‌های زیربنایی ANNs، تأثیر قابل توجهی بر مصرف انرژی داشته است. به عنوان مثال، آموزش یک LLM واحد مانند GPT-3، پیش‌نیاز GPT-4، تقریباً به 10 گیگاوات ساعت انرژی نیاز دارد که حدود 6000 برابر انرژی مصرفی یک شهروند اروپایی در سال است. طبق یک نشریه اخیر، پیش‌بینی می‌شود مصرف انرژی با سرعت بیشتری نسبت به خطی افزایش یابد (De Vries, 2023). در عین حال، مغز انسان با حدود 86 میلیارد نورون کار می‌کند در حالی که تنها 20 وات انرژی مصرف می‌کند (Clark and Sokoloff, 1999). با توجه به این شرایط، احتمال جایگزینی ANNs که روی رایانه‌های دیجیتال اجرا می‌شوند با BNNs واقعی بسیار جذاب است (Smirnova et al., 2023).

علاوه بر تقاضای انرژی قابل توجه مرتبط با آموزش LLMs، هزینه‌های استنتاج نیز نگرانی مشابهی را ایجاد می‌کند. افشاگری‌های اخیر نشان می‌دهد که پلتفرم‌هایی مانند OpenAI روزانه بیش از 100 میلیارد کلمه را از طریق خدماتی مانند ChatGPT تولید می‌کنند که توسط سام آلتمن، مدیرعامل OpenAI گزارش شده است. هنگامی که این ارقام را تجزیه کنیم، با فرض میانگین 1.5 توکن برای هر کلمه – یک برآورد محافظه‌کارانه بر اساس داده‌های توکن‌ساز OpenAI – ردپای انرژی به طرز چشمگیری افزایش می‌یابد. محاسبات مقدماتی، با استفاده از مدل LLaMA 65B (پیش‌نیاز Llama 2) به عنوان یک نقطه مرجع، هزینه‌های انرژی را در محدوده 450 تا 600 میلیارد ژول در روز تنها برای تولید کلمات نشان می‌دهد (Samsi et al., 2023). اگرچه این مقدار انرژی برای ارائه بینش و تعاملات مبتنی بر هوش مصنوعی به میلیون‌ها کاربر در سراسر جهان ضروری است، اما بزرگی این مقدار مصرف انرژی، ضرورت استفاده از الگوهای محاسباتی کارآمدتر از نظر انرژی را نشان می‌دهد.

برای شبکه های عصبی مصنوعی، وظیفه برنامه نویسی شامل یافتن پارامترهای شبکه است که به صورت سراسری نشان داده می شود
S زیر، که تفاوت L محاسبه شده بین خروجی مورد انتظار E و خروجی واقعی O را برای ورودی های I داده شده با توجه به تابع انتقال T از ANN به حداقل می رساند. این را می توان به صورت زیر نوشت:

L = F ( O , E )   ,   with O = T ( I , S )

که در آن F به طور معمول تابعی است که برابر 0 در زمانی که O = E است .

همان معادله برای BNNها اعمال می‌شود. با این حال، تفاوت‌های کلیدی در مقایسه با ANNها شامل این واقعیت است که پارامترهای شبکه S در مورد BNNها نمی‌توانند به صورت جداگانه تنظیم شوند و تابع انتقال  T  هم ناشناخته و هم ثابت نیست. بنابراین، باید روش‌های جایگزین ابتکاری توسعه داده شوند، مثلاً مبتنی بر الگوهای تحریک فضایی-زمانی. چنین توسعه‌هایی نیازمند آزمایش‌های متعدد الکتروفیزیولوژیکی است، از جمله، به عنوان مثال، الگوریتم‌های حلقه بسته پیچیده که در آن تحریک تابعی از پاسخ‌های قبلی شبکه است. این آزمایش‌ها گاهی می‌توانند روزها یا ماه‌ها طول بکشند.

برای تسهیل آزمایش‌های بلندمدت شامل یک شبکه جهانی از گروه‌های تحقیقاتی، ما یک پلتفرم نوآوری باز طراحی کردیم. این پلتفرم به محققان اجازه می‌دهد تا آزمایش‌ها را از راه دور روی یک سرور متصل به سخت‌افزار ما انجام دهند. به عنوان مثال، Neuroplatform ما شانس کشف روش‌های تحریک فوق‌الذکر را افزایش می‌دهد. باید توجه داشت که خارج از حوزه پلاستیکیت عصبی، پلتفرم‌های مشابه در سال ۲۰۲۳ پیشنهاد شده بودند . با این حال، تا آنجا که ما می‌دانیم، هیچ پلتفرمی به طور خاص برای تحقیقات مرتبط با محاسبات زیستی اختصاص داده نشده است.

پایان عصر پردازنده‌های پر مصرف: زیست‌پردازنده‌ها، راهکاری پایدار

Neuroplatform، زیست‌پردازنده‌ای نوآورانه از شرکت FinalSpark، به لطف ساختار و معماری منحصر به فرد خود که به عنوان «wetware» شناخته می‌شود، عملکردی بی‌نظیر را ارائه می‌دهد. این پلتفرم ترکیبی از سخت‌افزار، نرم‌افزار و زیست‌شناسی است که در آن چهار آرایه چند الکترودی (MEA) نقش اصلی را ایفا می‌کنند. این MEA‌ها میزبان ارگانوئیدهای مغزی هستند که به‌عنوان توده‌های سلولی سه‌بعدی بافت مغز عمل می‌کنند. هر MEA دارای چهار ارگانوئید است، که در مجموع 16 ارگانوئید را در این پلتفرم جای داده‌اند.

نوآوری اصلی Neuroplatform در این است که با استفاده از این معماری پیچیده، امکان انجام محاسبات بیولوژیکی را فراهم کرده است. این پلتفرم از طریق اتصال مؤسسات تحقیقاتی باهم، مسیر را برای توسعه اولین پردازنده زنده دنیا هموار کرده است. FinalSpark تا کنون این سیستم را به 9 موسسه مختلف ارائه کرده و با همکاری این نهادها، در پی ارتقای هرچه بیشتر کارایی و توانایی‌های این زیست‌پردازنده است.

این همکاری‌ها و توسعه‌های مستمر، می‌تواند پایه‌گذار تحولاتی بزرگ در حوزه محاسبات زیستی باشد و مسیری جدید را برای توسعه فناوری‌های پردازشی کم‌مصرف و با کارایی بالا باز کند. با پیشرفت‌های بیشتر، این سیستم می‌تواند راه‌حل‌های نوینی برای چالش‌های محاسباتی پیچیده ارائه دهد که در حال حاضر توسط پردازنده‌های دیجیتال سنتی قابل دستیابی نیست.

نکات کلیدی :

• زیست‌پردازنده: استفاده از بافت مغز انسان برای انجام محاسبات پیچیده
• مصرف انرژی بسیار کم: زیست‌پردازنده‌ها نسبت به پردازنده‌های سنتی انرژی بسیار کمتری مصرف می‌کنند.
• پلتفرم Neuroplatform: امکان دسترسی از راه دور به ارگانوئیدهای مغز و انجام آزمایش‌ها
• محاسبات زیستی: استفاده از نورون‌های زنده برای پردازش اطلاعات
• پایداری: کاهش قابل توجه مصرف انرژی و اثرات زیست محیطی

نکات تکمیلی:

• محدودیت‌های فعلی: بررسی محدودیت‌های فعلی این فناوری مانند سرعت پردازش، پیچیدگی برنامه‌نویسی و پایداری طولانی مدت.
• کاربردهای بالقوه: بررسی کاربردهای بالقوه این فناوری در صنایع مختلف مانند پزشکی، هوش مصنوعی، رباتیک و …
• چالش‌های فنی: بررسی چالش‌های فنی در توسعه و تجاری‌سازی این فناوری مانند مقیاس‌پذیری، هزینه‌ها و تنظیمات قانونی.
• اخلاقیات: بررسی مسائل اخلاقی مرتبط با استفاده از بافت مغز انسان در فناوری.
• توسعه زیرساخت‌ها: نیاز به توسعه زیرساخت‌های نرم‌افزاری و سخت‌افزاری برای پشتیبانی از این فناوری.

نتیجه‌گیری:

توسعه زیست‌پردازنده‌ها و پلتفرم Neuroplatform، گامی بزرگ در جهت توسعه فناوری‌های محاسباتی پایدار و کارآمد است. این فناوری با پتانسیل‌های فراوانی که دارد، می‌تواند به عنوان یک راهکار موثر برای کاهش مصرف انرژی در صنعت محاسبات و مقابله با چالش‌های زیست محیطی مطرح شود. با این حال، برای تجاری‌سازی گسترده این فناوری، تحقیقات بیشتری در زمینه کاهش هزینه‌ها، افزایش سرعت پردازش و بهبود پایداری این سیستم‌ها ضروری است.

پرسش‌های تحقیقاتی بیشتر :

• چه عواملی باعث شده‌اند که محققان به این دستاورد برسند؟
• چه موانع فنی و اقتصادی برای تجاری‌سازی گسترده این فناوری وجود دارد؟
• چه سیاست‌هایی می‌تواند برای تشویق سرمایه‌گذاری در این حوزه و توسعه این فناوری اتخاذ شود؟
• تأثیر این فناوری بر بازار محاسبات و رقابت با سایر فناوری‌های محاسباتی چگونه خواهد بود؟
• آیا این فناوری می‌تواند به طور کامل جایگزین پردازنده‌های سنتی شود؟
• چه کاربردهای دیگری برای این فناوری قابل تصور است؟
• چه کشورهایی در زمینه توسعه این فناوری پیشرو هستند؟
• چه همکاری‌هایی بین دانشگاه‌ها، صنایع و دولت‌ها برای توسعه این فناوری ضروری است؟
• چه ملاحظات اخلاقی در استفاده از بافت مغز انسان در فناوری باید در نظر گرفته شود؟

سخن پایانی نویسنده :

توسعه زیست‌پردازنده‌ها و پلتفرم Neuroplatform، نویدبخش آینده‌ای روشن در حوزه محاسبات است. این فناوری با پتانسیل‌های فراوانی که دارد، می‌تواند به عنوان یک راهکار موثر برای کاهش مصرف انرژی و افزایش کارایی محاسبات مطرح شود. با این حال، برای تحقق کامل پتانسیل‌های این فناوری، تحقیقات بیشتری در زمینه کاهش هزینه‌ها، افزایش سرعت پردازش و بهبود پایداری این سیستم‌ها ضروری است. همچنین، حمایت دولت‌ها و سرمایه‌گذاری بخش خصوصی در این حوزه می‌تواند نقش مهمی در تجاری‌سازی گسترده این فناوری ایفا کند.

منابع خبر و مقاله

• منبع : frontiersin.org
  

در مجله سایبرلایف بخوانید