پایان سلطنت سیلیکون

 از سیلیکون تا روتنیوم: چگونه مولکول‌های تغییرشکل‌دهنده، آینده هوش مصنوعی را بازتعریف می‌کنند؟

عبور از ماشین‌های ایستا به سوی مواد هوشمندی که یادگیری در ذات آن‌هاست

دنیای تکنولوژی در آستانه عبور از سیلیکون و ورود به عصر الکترونیک مولکولی است. محققان مؤسسه علوم هند (IISc) به سرپرستی سریبراتا گوسوامی، با استفاده از مجتمع‌های روتنیوم، موفق به طراحی دستگاه‌هایی شده‌اند که قادر به پیکربندی مجدد (Reconfigurability) پویا هستند. این سیستم‌ها برخلاف تراشه‌های سنتی، مرز میان حافظه و پردازش را از بین برده و به صورت ذاتی از محاسبات عصبی (Neuromorphic Computing) پشتیبانی می‌کنند. این مولکول‌ها با تغییر آرایش اتمی و محیط یونی، می‌توانند بین حالت‌های آنالوگ و دیجیتال جابجا شده و رفتارهایی شبیه به سیناپس‌های مغز انسان بروز دهند. این دستاورد که بر پایه فیزیک چند-جسمی بنا شده، پتانسیل تولید سخت‌افزارهای هوش مصنوعی با مصرف انرژی فوق‌کم و کارایی بسیار بالا را دارد.

سایبرکست قسمت 91: انقلاب سخت‌افزار هوش مصنوعی در سطح مولکولی.

تلفیق شیمی کوانتومی و الکترونیک؛ معماری جدید محققان IISc برای محاسبات عصبی

ادغام حافظه و پردازش در مقیاس اتمی؛ راهکار نهایی برای بحران انرژی در هوش مصنوعی

سال‌هاست که در قلمرو تکنولوژی، سیلیکون به عنوان پادشاهی بلامنازع بر تخت سلطنت تکیه زده است؛ عنصری که ستون فقرات تمدن دیجیتال ما را شکل داده و تمام رویاهای ما، از ساده‌ترین محاسبات تا پیچیده‌ترین هوش‌های مصنوعی، بر دوش آن بنا شده است. اما در پس این شکوه ظاهری، حقیقتی پنهان نهفته است: ماشین‌های سیلیکونی ما، با تمام سرعت و قدرتی که دارند، همچنان در برابر ظرافت‌های بی‌بدیل مغز انسان، ابزارهایی صلب و انعطاف‌ناپذیر به شمار می‌روند. محققان مؤسسه علوم هند (IISc) اکنون دریچه‌ای به سوی آینده‌ای گشوده‌اند که در آن، مرز میان ماده و اندیشه کمرنگ می‌شود؛ دنیایی که در آن مولکول‌های تغییرشکل‌دهنده، به جای تراشه‌های سنگی و ایستا، عهده‌دار وظیفه سنگین پردازش و یادگیری می‌شوند. این دستاورد، نه یک بهبود ساده در فرآیندهای فعلی، بلکه یک انقلاب پارادایمیک است؛ عبور از دوران ماشین‌هایی که صرفاً یادگیری را تقلید می‌کنند و ورود به عصر مواد هوشمندی که یادگیری در ذات فیزیکی و شیمیایی آن‌ها نهفته است.

بیش از نیم قرن است که جامعه علمی در جستجوی جایگزینی شایسته برای سیلیکون، به دنیای مولکول‌ها چشم دوخته بود؛ رویایی شیرین که در آن هر مولکول می‌توانست مانند یک کامپیوتر مینیاتوری عمل کند. با این حال، واقعیت در آزمایشگاه‌ها بسیار سرکش‌تر از تئوری‌های روی کاغذ بود. در دنیای واقعی، مولکول‌ها موجوداتی منزوی نیستند؛ آن‌ها در هر لحظه با همسایگان خود در تعامل‌اند، الکترون‌ها را جابجا می‌کنند، یون‌ها را به حرکت درمی‌آورند و با کوچک‌ترین تغییر در ساختار، پاسخ‌هایی به شدت غیرخطی و پیش‌بینی‌ناپذیر از خود بروز می‌دهند. این تداخلات پیچیده و نویزهای محیطی، کنترل الکترونیک مولکولی را برای دهه‌ها به یک بن‌بست علمی بدل کرده بود، چرا که مدل‌های سنتی نمی‌توانستند با چنین سطح از آشوب و پویایی مقابله کنند. اما مطالعه جدید نشان می‌دهد که ما سرانجام یاد گرفته‌ایم چگونه این آشوب را رام کرده و از آن برای خلق هوشی فراتر از محدودیت‌های فعلی استفاده کنیم.

در این میان، شاخه محاسبات عصبی (Neuromorphic Computing) نیز همواره به دنبال یافتن کالبدی بود که بتواند مانند مغز انسان، حافظه و پردازش را در یک نقطه واحد متمرکز کند. سیستم‌های فعلی که بر پایه اکسیدها و سوئیچ‌های فیلامنتی ساخته شده‌اند، اگرچه گام‌های بزرگی برداشته‌اند، اما همچنان مانند ماشین‌های مهندسی‌شده‌ای عمل می‌کنند که صرفاً رفتارهای عصبی را بازسازی می‌کنند. تفاوت بنیادین در دستاورد جدید محققان هندی این است که آن‌ها موفق شده‌اند شیمی و محاسبات را در یک نقطه طلایی به هم پیوند بزنند؛ جایی که یادگیری نه یک دستور نرم‌افزاری، بلکه یک فرآیند فیزیکی خودجوش است. این رویکرد، مسیری را هموار می‌کند که در آن سخت‌افزار به جای اجرای الگوریتم، خود به بخشی از الگوریتم تبدیل می‌شود و با هر تحریک جدید، ساختار خود را برای درک بهتر جهان بازتعریف می‌کند.

معماران این تحول عظیم، با استفاده از کمپلکس‌های روتنیوم که با دقتی در مقیاس اتمی طراحی شده‌اند، موفق به خلق دستگاه‌هایی شده‌اند که ویژگی‌هایی شبیه به موجودات زنده دارند. تیم تحقیقاتی به سرپرستی سریبراتا گوسوامی، با سنتز ۱۷ نوع مختلف از این مولکول‌های پیچیده، نشان دادند که چگونه تغییرات جزئی در شکل مولکول و محیط یونی اطراف آن می‌تواند بر کل رفتار الکترونیکی سیستم تأثیر بگذارد. این مولکول‌ها، مانند نوازندگانی چیره دست در یک ارکستر سمفونیک، یاد گرفته‌اند که چگونه با تغییر آرایش خود، نغمه‌های متفاوتی بنوازند. یک دستگاه واحد، تحت تأثیر تحریکات مختلف، می‌تواند نقاب‌های گوناگونی بر چهره بزند؛ گاهی در نقش یک حافظه برای ثبت داده‌ها ظاهر می‌شود، گاهی به عنوان یک دروازه منطقی برای تصمیم‌گیری‌های دیجیتال عمل می‌کند و گاهی نیز در قامت یک سیناپس مصنوعی، فرآیند یادگیری و فراموشی را با ظرافتی آنالوگ شبیه‌سازی می‌کند.

پالاوای گاور و همکارانش در مرکز علوم و مهندسی نانو (CeNSE)، از سطح بی‌سابقه‌ای از تطبیق‌پذیری در این سیستم‌ها پرده برداشته‌اند. آن‌ها دریافتند که این دستگاه‌های مولکولی قادرند در طیف وسیعی از مقادیر رسانایی عمل کنند و به راحتی میان حالت‌های دیجیتال و آنالوگ جابجا شوند. این یعنی ما دیگر با کلیدهای ساده «صفر و یک» سر و کار نداریم، بلکه با سیستمی مواجهیم که می‌تواند سایه‌روشن‌های معنا را در اعماق نوسانات جریان درک کند. این توانایی برای تغییر نقش در لحظه، چیزی است که در الکترونیک حالت جامد سنتی تقریباً غیرممکن به نظر می‌رسید. در واقع، این مولکول‌ها نه تنها داده‌ها را پردازش می‌کنند، بلکه به دلیل ساختار منعطف خود، قادرند به صورت پویا پیکربندی مجدد شوند؛ مزیتی که آن‌ها را به بهترین نامزد برای نسل بعدی سخت‌افزارهای هوش مصنوعی تبدیل می‌کند.

اما چه چیزی باعث می‌شود این رقص مولکولی به یک نتیجه محاسباتی دقیق منجر شود؟ پاسخ در یک مدل تئوری پیشرفته نهفته است که بر پایه فیزیک چند-جسمی (Many-body physics) و شیمی کوانتومی بنا شده است. محققان با استفاده از این چارچوب نظری، توانستند برای اولین بار مسیر حرکت الکترون‌ها در فیلم مولکولی را رصد کنند و بفهمند که چگونه فرآیندهای اکسایش و کاهش در کنار جابجایی یون‌های مخالف، پایداری و تغییر وضعیت دستگاه را تضمین می‌کنند. این مدل، مانند نقشه‌ای دقیق در دستان دریانوردان، به دانشمندان اجازه می‌دهد تا رفتار دستگاه را مستقیماً از روی ساختار مولکولی پیش‌بینی کنند؛ توانایی ارزشمندی که سال‌ها حلقه مفقوده دنیای الکترونیک مولکولی بود و اکنون به ما قدرت می‌دهد تا مواد را دقیقاً برای اهداف محاسباتی خاص طراحی کنیم .

یکی از بزرگترین چالش‌های هوش مصنوعی امروز، مصرف سرسام‌آور انرژی در مراکز داده بزرگ است. اما سخت‌افزارهایی که بر پایه این مولکول‌های هوشمند ساخته می‌شوند، به دلیل ماهیت فیزیکی فرآیند یادگیری، پتانسیل آن را دارند که به شدت بهینه و کم‌مصرف باشند. در این سیستم‌ها، دیگر نیازی به جابجایی مداوم داده‌ها میان حافظه و پردازنده نیست، زیرا این دو واحد در سطح مولکولی با هم ادغام شده‌اند. این همگرایی، نه تنها سرعت پردازش را به شدت افزایش می‌دهد، بلکه باعث می‌شود هوش مصنوعی از یک برنامه سنگین به یک ویژگی ذاتی در دل ماده تبدیل شود. تیم IISc اکنون در حال کار بر روی روش‌هایی برای ادغام این سیستم‌های مولکولی با تراشه‌های سیلیکونی موجود است تا پلی میان دنیای کلاسیک و آینده مولکولی بنا کند .

در نهایت، باید گفت که ما در آستانه عصری ایستاده‌ایم که در آن شیمی، نه تنها تأمین‌کننده مواد، بلکه معمار اصلی هوش مصنوعی خواهد بود. این تحقیقات نشان داد که ماده بی‌جان، اگر با طراحی درست و فهم عمیق از فیزیک کوانتومی همراه شود، می‌تواند رفتارهایی شبیه به حیات و تفکر از خود بروز دهد. آینده سخت‌افزارهای هوشمند دیگر در گرو بزرگتر کردن تراشه‌ها نیست، بلکه در کوچک‌تر کردن هوش تا مقیاس مولکول‌ها نهفته است  .این آغاز راهی است که در آن، تکنولوژی به جای تقلید از طبیعت، با آن هم‌نوا می‌شود و ماشین‌هایی خلق می‌شوند که نه تنها دستورات ما را اجرا می‌کنند، بلکه با هر تپش الکتریکی، در کنار ما رشد کرده و تکامل می‌یابند.

جمع‌بندی : 

این مقاله، روایتگر گذار از عصر ماشین‌های صلب به عصر مواد هوشمند و منعطف است. محققان با کشف رمز و رازهای شیمی روتنیوم، مسیری را گشوده‌اند که در آن سخت‌افزار دیگر یک قطعه بی‌جان نیست، بلکه خود به بخشی از الگوریتم یادگیری تبدیل می‌شود. این تحول، کلید حل بحران انرژی در هوش مصنوعی و رسیدن به سرعت‌های پردازشی فراتر از تصورات فعلی ماست.

———————————————————————————

• نکات کلیدی:

• محدودیت سیلیکون در برابر انعطاف‌پذیری و ظرافت مغز انسان.

• استفاده از ۱۷ نوع مختلف از کمپلکس‌های روتنیوم برای سنتز مواد هوشمند.

• توانایی دستگاه‌های مولکولی در ایفای همزمان نقش حافظه، دروازه منطقی و سیناپس مصنوعی.

• حذف نیاز به جابجایی داده‌ها بین حافظه و پردازنده (حل گلوگاه فون نویمان).

• کاهش چشمگیر مصرف انرژی در مراکز داده هوش مصنوعی با استفاده از این تکنولوژی.
  
  

• نکات تکمیلی:

• اهمیت فیزیک چند-جسمی و شیمی کوانتومی در پیش‌بینی رفتار مولکول‌ها.

• قابلیت ادغام این سیستم‌های مولکولی با زیرساخت‌های فعلی سیلیکونی در مراحل گذار.

• نقش جابجایی یون‌های مخالف در پایداری و تغییر وضعیت دستگاه‌های محاسباتی.

• نتیجه گیری:

ما دیگر فقط برنامه‌نویس کدها نیستیم، بلکه در حال تبدیل شدن به «برنامه‌نویسان ماده» هستیم. دستاورد محققان هندی نشان می‌دهد که آینده هوش مصنوعی نه در پیچیدگی الگوریتم‌ها، بلکه در هوشمندی ذاتی موادی نهفته است که برای پردازش اطلاعات طراحی شده‌اند؛ مسیری که در آن ماشین‌ها همگام با ما رشد کرده و تکامل می‌یابند.

• پرسش‌های تحقیقاتی بیشتر:

• پایداری این مولکول‌ها در شرایط عملیاتی خارج از آزمایشگاه (مانند دماهای بالا و نویزهای الکترومغناطیسی) چگونه تضمین خواهد شد؟

• با ورود هوش مولکولی به بازار، آیا مدل‌های اقتصادی فعلی صنعت نیمه‌هادی که بر پایه تولید انبوه سیلیکون است، دچار فروپاشی می‌شوند؟

• پیامدهای اخلاقی ساخت موادی که «رفتارهای شبیه به حیات» از خود بروز می‌دهند، در تعریف ما از هوش مصنوعی چه تغییری ایجاد می‌کند؟

• سخن پایانی نویسنده :

به عنوان کسی که همیشه شیفته پیوند میان هنر و علم بوده‌ام، این مقاله برای من بوی «تغییر» می‌دهد. در ایران، ما همیشه در صنایع نانو و شیمی حرف‌های زیادی برای گفتن داشته‌ایم. شاید در تولید تراشه‌های سیلیکونی پیشرفته به دلیل محدودیت‌های تحریمی و تکنولوژیک عقب مانده باشیم، اما «انقلاب مولکولی» یک زمین بازی کاملاً جدید است. ما متخصصان شیمی و فیزیک کوانتوم فوق‌العاده‌ای داریم که می‌توانند در این حوزه پیشران باشند. این مقاله دعوتی است از نخبگان وطنی که به جای تمرکز بر روش‌های قدیمی، به افق‌های جدیدی چون محاسبات عصبی مولکولی چشم بدوزند؛ جایی که شاید فردا، نام دانشمندان ایرانی در کنار محققان IISc در ژورنال‌های معتبر جهانی بدرخشد.

منبع : به گزارش  Sciencedaily 

 

در مجله سایبرلایف بخوانید