رایانش نورومورفیک چیست؟

رایانش نورومورفیک چیست؟ آشنایی با معماری محاسباتی الهام‌گرفته از مغز

پیشرفت هوش مصنوعی، نیاز به قدرت پردازشی بیشتر را افزایش داده است. امروزه سامانه‌های هوشمند می‌توانند تصاویر را تحلیل کنند، الگوهای پیچیده را تشخیص دهند و در کنترل ربات‌ها به کار گرفته شوند. بااین‌حال، اجرای چنین قابلیت‌هایی در بسیاری از موارد به منابع محاسباتی قابل‌توجهی نیاز دارد. این مسئله، به‌ویژه در دستگاه‌هایی که با محدودیت انرژی، حافظه یا زمان پاسخ‌گویی مواجه‌اند، اهمیت بیشتری پیدا می‌کند. بخش بزرگی از رایانه‌های امروزی بر معماری‌هایی بنا شده‌اند که در آن‌ها پردازش و ذخیره‌سازی اطلاعات نقش‌های جداگانه‌ای دارند. این ساختار برای طیف گسترده‌ای از محاسبات بسیار کارآمد است؛ اما در برخی کاربردها، جابه‌جایی مداوم داده‌ها میان حافظه و پردازنده می‌تواند به افزایش مصرف انرژی و زمان پردازش منجر شود. پژوهشگران برای مواجهه با این محدودیت‌ها، رویکردهای متفاوتی را در طراحی سامانه‌های محاسباتی بررسی می‌کنند. یکی از این رویکردها، رایانش نورومورفیک (Neuromorphic Computing) است؛ حوزه‌ای که از برخی ویژگی‌های ساختار و عملکرد مغز الهام می‌گیرد تا معماری‌ها و روش‌های جدیدی برای پردازش اطلاعات توسعه دهد. اهمیت این رویکرد تنها به شباهت آن با مغز محدود نمی‌شود. پرسش اصلی این است که آیا می‌توان با بازنگری در شیوه پردازش و انتقال اطلاعات، سامانه‌هایی ساخت که برای برخی وظایف مشخص، انرژی کمتری مصرف کنند یا پاسخ‌گویی مناسب‌تری داشته باشند؟
برای درک بهتر این فناوری، ابتدا باید با اصولی آشنا شویم که الهام‌بخش شکل‌گیری آن بوده‌اند.

۱. مغز انسان چگونه اطلاعات را پردازش می‌کند؟

مغز انسان شبکه‌ای گسترده از سلول‌های عصبی است که از طریق ارتباطات پیچیده با یکدیگر تعامل دارند. این شبکه در دریافت و پردازش اطلاعات حسی، یادگیری، حافظه و بسیاری از فعالیت‌های دیگر نقش دارد. سلول‌های اصلی این شبکه، نورون‌ها (Neurons) نام دارند. نورون‌ها اطلاعات را دریافت می‌کنند، به ورودی‌های مختلف پاسخ می‌دهند و از طریق ارتباط با سلول‌های دیگر در پردازش اطلاعات مشارکت می‌کنند. این ارتباطات در محل‌هایی به نام سیناپس (Synapse) برقرار می‌شوند.
یکی از شیوه‌های انتقال پیام در نورون‌های زیستی، ایجاد و انتشار پالس‌های الکتریکی کوتاه‌مدتی است که اسپایک (Spike) نامیده می‌شوند. زمان وقوع این پالس‌ها و الگوی فعالیت نورون‌ها می‌تواند در انتقال اطلاعات نقش داشته باشد.
نکته مهم این است که عملکرد مغز حاصل فعالیت یک نورون منفرد نیست؛ بلکه از تعامل میان تعداد زیادی نورون و ارتباطات میان آن‌ها شکل می‌گیرد. همین ویژگی، یعنی پردازش اطلاعات در قالب شبکه‌ای از واحدهای مرتبط، توجه پژوهشگران حوزه محاسبات را به خود جلب کرده است. البته هدف رایانش نورومورفیک، بازسازی کامل مغز انسان نیست. در این حوزه، مهندسان و پژوهشگران برخی از اصول پردازش اطلاعات در شبکه‌های عصبی زیستی را بررسی می‌کنند تا از آن‌ها در طراحی سامانه‌های محاسباتی الهام بگیرند.

۲. از نورون زیستی تا نورون مصنوعی

برای استفاده از اصول الهام‌گرفته از مغز در رایانه‌ها، ابتدا باید میان ساختار زیستی و مدل محاسباتی آن تفاوت قائل شد.
نورون زیستی یک سلول زنده با ساختار و فرایندهای الکتروشیمیایی پیچیده است. در مقابل، نورون مصنوعی (Artificial Neuron) مدلی محاسباتی یا واحدی سخت‌افزاری است که برخی از ویژگی‌های پردازشی نورون را بازنمایی می‌کند.
برای مثال، یک مدل محاسباتی ممکن است چند ورودی را دریافت کند، آن‌ها را بر اساس قواعد مشخص ترکیب کند و سپس خروجی تولید کند. در مدل‌های مختلف، این خروجی می‌تواند یک مقدار عددی یا رویدادی گسسته شبیه اسپایک باشد.
بنابراین، نورون مصنوعی لزوماً تمام ویژگی‌های نورون زیستی را بازسازی نمی‌کند. میزان شباهت به مغز به هدف طراحی و نوع مدل بستگی دارد. همین موضوع درباره سیناپس‌ها نیز صدق می‌کند. در مدل‌های محاسباتی، ارتباط میان واحدها ممکن است با پارامترهای عددی نمایش داده شود؛ درحالی‌که در یک پیاده‌سازی سخت‌افزاری، سازوکارهای الکترونیکی مشخصی می‌توانند وظیفه انتقال اطلاعات یا نگهداری وضعیت ارتباطات را بر عهده بگیرند.
در نتیجه، هنگامی که از نورون یا سیناپس مصنوعی صحبت می‌کنیم، منظور سلول زنده یا ارتباط زیستی واقعی نیست؛ بلکه از مدلی محاسباتی یا پیاده‌سازی مهندسی‌شده سخن می‌گوییم که از برخی ویژگی‌های آن الهام گرفته است.
این تمایز، پایه درک یکی از رویکردهای مهم مرتبط با رایانش نورومورفیک، یعنی شبکه‌های عصبی اسپایکی، است.

۳. شبکه‌های عصبی اسپایکی چیست؟

شبکه‌های عصبی اسپایکی (Spiking Neural Networks یا SNNs) نوعی شبکه عصبی مصنوعی هستند که در آن‌ها اطلاعات از طریق رویدادهای گسسته‌ای به نام اسپایک نمایش داده می‌شوند. زمان وقوع این رویدادها نیز می‌تواند در محاسبات نقش داشته باشد.
برای درک تفاوت این شبکه‌ها با بسیاری از شبکه‌های عصبی متداول، باید به شیوه نمایش اطلاعات توجه کنیم.
در بسیاری از شبکه‌های عصبی مصنوعی، اطلاعات با مقادیر عددی پردازش می‌شوند. هر واحد محاسباتی ورودی‌های خود را دریافت می‌کند، عملیاتی روی آن‌ها انجام می‌دهد و مقداری را به‌عنوان خروجی در اختیار بخش بعدی شبکه قرار می‌دهد.
در شبکه‌های عصبی اسپایکی، خروجی یک نورون می‌تواند به شکل یک رویداد گسسته ظاهر شود. در این حالت، زمان وقوع اسپایک و ارتباط زمانی آن با رویدادهای دیگر نیز ممکن است برای پردازش اهمیت داشته باشد.
برای مثال، فرض کنیم دو شبکه تعداد یکسانی رویداد دریافت کرده‌اند، اما زمان وقوع رویدادها در آن‌ها متفاوت است. در یک شبکه اسپایکی که به زمان‌بندی حساس است، این تفاوت می‌تواند بر نتیجه محاسبات تأثیر بگذارد. البته نحوه نمایش و پردازش اطلاعات به مدل نورون، ساختار شبکه و مسئله موردنظر بستگی دارد.

آیا شبکه‌های عصبی اسپایکی همان رایانش نورومورفیک هستند؟
خیر.

شبکه‌های عصبی اسپایکی یکی از رویکردهای مهم در این حوزه‌اند، اما مفهوم رایانش نورومورفیک گسترده‌تر است.
رایانش نورومورفیک به طراحی معماری‌ها، سخت‌افزارها و روش‌های محاسباتی الهام‌گرفته از مغز مربوط می‌شود. شبکه‌های اسپایکی نیز یکی از مدل‌هایی هستند که می‌توانند روی چنین سخت‌افزارهایی اجرا شوند.
مقاله Yamazaki (۲۰۲۲) به ساختار و مدل‌های مختلف شبکه‌های اسپایکی، روش‌های آموزش و کاربردهای آن‌ها می‌پردازد. این پژوهش همچنین نشان می‌دهد که انتخاب مدل نورون بر میزان جزئیات زیستی و هزینه محاسباتی تأثیر می‌گذارد. برای نمونه، مدل‌های ساده‌تر ممکن است محاسبات کمتری نیاز داشته باشند؛ درحالی‌که مدل‌هایی که جزئیات بیشتری از رفتار نورون زیستی را بازنمایی می‌کنند، می‌توانند پیچیدگی محاسباتی بالاتری داشته باشند.
بنابراین، طراحی یک شبکه عصبی اسپایکی مستلزم ایجاد تعادل میان دقت مدل، هزینه محاسباتی و نیازهای کاربرد موردنظر است.

۴. رایانش نورومورفیک دقیقاً چیست؟

اکنون می‌توانیم تعریف روشن‌تری از رایانش نورومورفیک ارائه دهیم.
رایانش نورومورفیک رویکردی در طراحی سامانه‌های محاسباتی است که از برخی اصول ساختار و عملکرد سیستم عصبی الهام می‌گیرد. هدف این رویکرد، توسعه معماری‌ها و روش‌هایی است که بتوانند برای برخی مسائل، پردازش اطلاعات را به شیوه‌ای متفاوت و کارآمدتر انجام دهند. اصطلاح «نورومورفیک» به معنای الهام‌گرفته از ساختار عصبی است. کارور مید (Carver Mead) در اواخر دهه ۱۹۸۰ این اصطلاح را در زمینه مهندسی الکترونیک نورومورفیک مطرح کرد. این حوزه در ابتدا توجه ویژه‌ای به پیاده‌سازی الکترونیکی ویژگی‌های شبکه‌های عصبی داشت و بعدها به مجموعه گسترده‌تری از معماری‌ها، سخت‌افزارها و الگوریتم‌های الهام‌گرفته از مغز گسترش یافت. در طراحی سامانه‌های نورومورفیک، پژوهشگران ممکن است ویژگی‌هایی مانند ارتباط میان واحدهای پردازشی، پردازش رویدادمحور، فعالیت موازی و نزدیک‌کردن پردازش به حافظه را بررسی کنند. با این‌ حال، تمام سامانه‌های نورومورفیک از ساختار یکسانی استفاده نمی‌کنند. برخی برای اجرای شبکه‌های عصبی اسپایکی طراحی شده‌اند و برخی دیگر از مدل‌ها یا روش‌های محاسباتی متفاوتی بهره می‌برند. از این‌ رو، رایانش نورومورفیک را نباید به یک تراشه خاص یا یک نوع شبکه عصبی محدود کرد. این اصطلاح به حوزه‌ای از طراحی محاسباتی اشاره دارد که در آن، اصول منتخب سیستم عصبی می‌تواند الهام‌بخش معماری سخت‌افزار و روش پردازش اطلاعات باشد.

۵. رایانه‌های نورومورفیک چگونه کار می‌کنند؟

برای درک نحوه عملکرد رایانه‌های نورومورفیک، باید از این تصور فاصله بگیریم که همه آن‌ها دقیقاً به یک شکل کار می‌کنند. معماری این سامانه‌ها متفاوت است؛ بااین‌حال، برخی ویژگی‌ها در شماری از طرح‌های نورومورفیک اهمیت ویژه‌ای دارند.

۵.۱. نزدیک‌کردن پردازش و حافظه
در بسیاری از معماری‌های رایانه‌ای متداول، پردازنده و حافظه از یکدیگر جدا هستند. پردازنده عملیات محاسباتی را انجام می‌دهد و حافظه اطلاعات و دستورالعمل‌ها را نگهداری می‌کند. در نتیجه، داده‌ها برای انجام بسیاری از عملیات میان این دو بخش جابه‌جا می‌شوند.
این معماری برای طیف گسترده‌ای از وظایف کارآمد است؛ اما در برخی کاربردها، انتقال مکرر اطلاعات می‌تواند به مصرف انرژی و زمان بیشتری نیاز داشته باشد.
در بعضی معماری‌های نورومورفیک، تلاش می‌شود پردازش و نگهداری اطلاعات به یکدیگر نزدیک‌تر شوند. برای مثال، وضعیت واحدهای محاسباتی و پارامترهای ارتباط میان آن‌ها ممکن است در ساختار سخت‌افزاری سامانه نگهداری شود.
چنین طراحی‌ای می‌تواند در شرایط مناسب، نیاز به انتقال مکرر داده‌ها را کاهش دهد. البته میزان این مزیت به معماری و نوع محاسبات بستگی دارد و در همه سامانه‌ها یکسان نیست.
۵.۲. پردازش موازی
در پردازش موازی، چند عملیات می‌توانند هم‌زمان اجرا شوند. این قابلیت در بسیاری از کاربردهای هوش مصنوعی اهمیت دارد؛ زیرا بخشی از محاسبات را می‌توان میان واحدهای مختلف تقسیم کرد. برخی سامانه‌های نورومورفیک با استفاده از تعداد زیادی واحد محاسباتی مرتبط طراحی می‌شوند. این ساختار می‌تواند امکان اجرای هم‌زمان بخش‌های مختلف پردازش را فراهم کند. بااین‌حال، افزایش تعداد واحدها به‌تنهایی تضمین‌کننده عملکرد بهتر نیست. نحوه ارتباط واحدها، توزیع محاسبات و مدیریت منابع نیز بر کارایی نهایی تأثیر می‌گذارند.
۵.۳. ارتباط رویداد محور
در برخی معماری‌های نورومورفیک، انتقال اطلاعات بر اساس وقوع رویدادها انجام می‌شود. برای نمونه، در یک شبکه اسپایکی، هنگامی که یک نورون رویداد مشخصی تولید می‌کند، اطلاعات آن می‌تواند به واحدهای مرتبط منتقل شود. این شیوه با روش‌هایی تفاوت دارد که در آن‌ها اطلاعات به‌صورت پیوسته یا در بازه‌های زمانی از پیش تعیین‌شده پردازش می‌شوند. پردازش رویداد محور می‌تواند برای وظایفی مفید باشد که در آن‌ها زمان وقوع رویدادها یا واکنش به تغییرات محیط اهمیت دارد. البته میزان بهره‌مندی از این ویژگی به نوع مسئله و نحوه پیاده‌سازی بستگی دارد.
۵.۴. هماهنگی میان سخت‌افزار و الگوریتم
یکی از نکات مهم در رایانش نورومورفیک، ارتباط نزدیک میان طراحی سخت‌افزار و الگوریتم است.
یک الگوریتم زمانی می‌تواند از قابلیت‌های خاص یک تراشه به‌خوبی استفاده کند که با معماری، شیوه ارتباط واحدها و محدودیت‌های آن سازگار باشد. به همین دلیل، توسعه سامانه‌های نورومورفیک تنها به طراحی تراشه محدود نمی‌شود؛ بلکه به الگوریتم‌های مناسب، ابزارهای نرم‌افزاری و روش‌های ارزیابی نیز نیاز دارد. این هماهنگی در نهایت مشخص می‌کند که یک سامانه نورومورفیک تا چه اندازه می‌تواند در کاربرد موردنظر عملکرد مؤثری داشته باشد.

۶. تفاوت رایانش نورومورفیک با رایانش متداول چیست؟

تفاوت اصلی رایانش نورومورفیک با رایانش متداول، در رویکرد طراحی معماری و نحوه سازمان‌دهی پردازش و ارتباطات است.
بسیاری از رایانه‌های متداول از معماری‌هایی استفاده می‌کنند که در آن‌ها پردازنده و حافظه نقش‌های متمایزی دارند. این رایانه‌ها برای انجام طیف وسیعی از عملیات، از محاسبات عمومی گرفته تا اجرای نرم‌افزارهای تخصصی، طراحی شده‌اند.
در مقابل، سامانه‌های نورومورفیک تلاش می‌کنند از برخی ویژگی‌های شبکه‌های عصبی زیستی برای طراحی ساختارهای محاسباتی متفاوت بهره ببرند. در بعضی از این سامانه‌ها، پردازش و حافظه به یکدیگر نزدیک‌ترند و ارتباط میان واحدها می‌تواند به‌صورت رویداد محور انجام شود.
تفاوت‌های کلی این دو رویکرد را می‌توان چنین خلاصه کرد:

۷. مزایای رایانش نورومورفیک

توجه به رایانش نورومورفیک تا حد زیادی از این پرسش ناشی می‌شود که آیا معماری‌های الهام‌گرفته از مغز می‌توانند برای برخی وظایف، عملکرد بهتری نسبت به راهکارهای متداول ارائه دهند؟ پژوهش‌های این حوزه چند زمینه مهم را برای بررسی چنین مزایایی مشخص کرده‌اند.

۷.۱. کاهش احتمالی مصرف انرژی
یکی از اهداف اصلی رایانش نورومورفیک، کاهش انرژی موردنیاز برای انجام برخی محاسبات است.
در دستگاه‌هایی که با محدودیت انرژی مواجه‌اند، این موضوع اهمیت زیادی دارد. برای مثال، در یک سامانه هوشمند کوچک،کاهش انرژی مصرفی می‌تواند به افزایش مدت فعالیت دستگاه یا کاهش نیاز آن به منابع تغذیه منجر شود. معماری‌هایی که انتقال مکرر داده‌ها را کاهش می‌دهند یا تنها در پاسخ به رویدادهای مرتبط فعالیت می‌کنند، ممکن است در شرایط مناسب از نظر انرژی کارآمد باشند.
با این‌ حال، کاهش مصرف انرژی یک نتیجه قطعی برای تمام سامانه‌های نورومورفیک نیست. این مزیت باید برای هر کاربرد، با درنظرگرفتن کل سامانه و در مقایسه با یک راهکار مناسب ارزیابی شود.
۷.۲. پردازش با تأخیر کم
در برخی کاربردها، تنها صحت نتیجه اهمیت ندارد؛ بلکه سامانه باید آن را در زمان مناسبی تولید کند.
برای مثال، یک ربات ممکن است به پردازش سریع اطلاعات محیط برای تنظیم حرکت خود نیاز داشته باشد. در چنین شرایطی، معماری‌هایی که امکان پردازش رویدادها با تأخیر کم را فراهم می‌کنند، می‌توانند ارزشمند باشند.
برخی سامانه‌های نورومورفیک با هدف پشتیبانی از چنین کاربردهایی طراحی شده‌اند. البته زمان پاسخ‌گویی نهایی به الگوریتم، سخت‌افزار، انتقال داده‌ها و سایر اجزای سامانه وابسته است.
۷.۳. بهره‌گیری از پردازش موازی
ساختار شبکه‌ای برخی سامانه‌های نورومورفیک امکان اجرای هم‌زمان بخش‌های مختلف محاسبات را فراهم می‌کند.
این ویژگی می‌تواند برای مسائلی که از پردازش موازی سود می‌برند مفید باشد. بااین‌حال، عملکرد نهایی به نحوه تقسیم محاسبات، ارتباط میان واحدها و مدیریت منابع بستگی دارد.
۷.۴. بررسی روش‌های جدید یادگیری
برخی معماری‌ها و الگوریتم‌های نورومورفیک امکان بررسی روش‌های یادگیری متفاوت را فراهم می‌کنند؛ از جمله روش‌هایی که برای شبکه‌های عصبی اسپایکی طراحی شده‌اند. این موضوع از نظر پژوهشی اهمیت دارد، زیرا می‌تواند به توسعه مدل‌های جدید برای پردازش اطلاعات و طراحی سامانه‌های تطبیقی کمک کند. با این‌ حال، روش‌های یادگیری در این حوزه همچنان با چالش‌هایی روبه‌رو هستند و کارایی آن‌ها باید با توجه به نوع مسئله و شرایط اجرا سنجیده شود.

۸. چالش‌های رایانش نورومورفیک

با وجود ظرفیت‌های این فناوری، توسعه و استفاده گسترده از آن با موانع فنی و پژوهشی متعددی روبه‌روست. شناخت این چالش‌ها برای ارزیابی واقع‌بینانه آینده رایانش نورومورفیک ضروری است.

۸.۱. دشواری آموزش شبکه‌های عصبی اسپایکی
آموزش شبکه‌های عصبی اسپایکی یکی از موضوعات مهم پژوهش در این حوزه است. در بسیاری از شبکه‌های عصبی متداول، خروجی واحدها به‌صورت مقادیر عددی محاسبه می‌شود. در شبکه‌های اسپایکی، خروجی می‌تواند شامل رویدادهای گسسته‌ای باشد که زمان وقوع آن‌ها نیز اهمیت دارد. همین تفاوت، طراحی و به‌کارگیری برخی روش‌های آموزش متداول را دشوار می‌کند.
پژوهشگران روش‌های مختلفی برای آموزش این شبکه‌ها توسعه داده‌اند؛ بااین‌حال، انتخاب روش مناسب همچنان به ساختار شبکه و مسئله موردنظر وابسته است. همچنین، شبکه‌های اسپایکی در برخی وظایف ممکن است از نظر دقت، سهولت آموزش یا مقیاس‌پذیری با محدودیت‌هایی مواجه باشند. بنابراین، نمی‌توان آن‌ها را برای تمام کاربردها جایگزینی برتر برای شبکه‌های عصبی متداول دانست.
۸.۲. نیاز به ابزارهای نرم‌افزاری مناسب
توسعه یک فناوری سخت‌افزاری، به‌تنهایی برای گسترش استفاده از آن کافی نیست. پژوهشگران و توسعه‌دهندگان باید بتوانند مدل‌های خود را طراحی کنند، الگوریتم‌ها را آموزش دهند، برنامه‌ها را اجرا کنند و نتایج را ارزیابی کنند. در رایانش نورومورفیک، ابزارهای نرم‌افزاری باید با ویژگی‌های سخت‌افزار هماهنگ باشند و امکان توسعه و آزمایش الگوریتم‌های مختلف را فراهم کنند. به همین دلیل، توسعه چارچوب‌های نرم‌افزاری، محیط‌های شبیه‌سازی و ابزارهای ارزیابی از عوامل مهم در گسترش این فناوری به شمار می‌روند.
۸.۳. مقیاس‌پذیری سامانه‌ها
افزایش تعداد واحدهای محاسباتی و ارتباطات میان آن‌ها، لزوماً به معنای افزایش متناسب کارایی نیست.
در سامانه‌های نورومورفیک بزرگ، عواملی مانند مدیریت ارتباطات، توزیع منابع، هماهنگی میان تراشه‌ها و محدودیت‌های حافظه می‌توانند بر عملکرد تأثیر بگذارند. از این‌ رو، توسعه سامانه‌هایی که بتوانند در مقیاس بزرگ نیز کارآمد باقی بمانند، به طراحی هماهنگ معماری، سخت‌افزار و نرم‌افزار نیاز دارد. مقاله Kudithipudi(۲۰۲۵) به همین مسئله می‌پردازد و نشان می‌دهد که مقیاس‌پذیری رایانش نورومورفیک تنها یک چالش سخت‌افزاری نیست؛ بلکه به ابزارها، روش‌های طراحی و توسعه اکوسیستم کاربردی نیز وابسته است.
۸.۴. اتصال به حسگرها و رایانه‌های متداول
یک سامانه نورومورفیک برای استفاده عملی باید بتواند با محیط و سایر تجهیزات ارتباط برقرار کند.
برای مثال، داده‌های یک حسگر ممکن است در قالبی تولید شوند که برای پردازش مستقیم در یک سامانه نورومورفیک مناسب نباشد. در چنین شرایطی، تبدیل داده‌ها یا انتقال آن‌ها به بخش‌های دیگر سامانه می‌تواند به زمان و انرژی بیشتری نیاز داشته باشد.
این مسئله نشان می‌دهد که برای ارزیابی یک سامانه نورومورفیک، نباید فقط به عملکرد تراشه توجه کرد. نحوه دریافت داده، پردازش، انتقال نتیجه و ارتباط با سایر اجزا نیز اهمیت دارد.
۸.۵. ارزیابی دقیق عملکرد
برای تعیین مزیت واقعی رایانش نورومورفیک، باید عملکرد آن را در شرایط مشخص با راهکارهای مناسب مقایسه کرد.
معیارهایی مانند دقت، زمان پاسخ‌گویی، مصرف انرژی و هزینه اجرای سامانه باید متناسب با کاربرد موردنظر بررسی شوند. همچنین، مقایسه باید شرایط اجرای دو راهکار را تا حد امکان یکسان در نظر بگیرد. بنابراین، هر ادعایی درباره سرعت بیشتر یا مصرف انرژی کمتر، تنها زمانی قابل ارزیابی است که نوع مسئله، معیار مقایسه و شرایط آزمایش مشخص باشند.

۹. تراشه Loihi 2 و چارچوب نرم‌افزاری Lava

یکی از نمونه‌های شناخته‌شده در پژوهش‌های رایانش نورومورفیک، Loihi 2، تراشه پژوهشی شرکت اینتل است. این تراشه برای اجرای مدل‌ها و الگوریتم‌های الهام‌گرفته از سیستم عصبی طراحی شده و از قابلیت‌هایی مانند ارتباطات رویدادمحور، مدل‌های متنوع‌تر نورون و امکانات توسعه‌یافته‌تر برای بررسی روش‌های یادگیری پشتیبانی می‌کند.
هدف از طراحی چنین سخت‌افزاری، فراهم‌کردن بستری برای بررسی شیوه‌های متفاوت پردازش اطلاعات است؛ به‌ویژه در کاربردهایی که ممکن است از ویژگی‌های معماری نورومورفیک بهره ببرند.
Lava چه نقشی دارد؟
اینتل در کنار Loihi 2، چارچوب نرم‌افزاری(open source)به نام Lava را نیز معرفی کرده است. این چارچوب برای توسعه برنامه‌های نورومورفیک به کار می‌رود و امکان آزمایش الگوریتم‌ها در محیط‌های شبیه‌سازی و روی سخت‌افزارهای متداول را نیز فراهم می‌کند. وجود چنین ابزاری اهمیت زیادی دارد؛ زیرا توسعه‌دهندگان می‌توانند پیش از اجرای برنامه روی سخت‌افزار نورومورفیک، ساختار و عملکرد آن را بررسی کنند. این موضوع همچنین نشان می‌دهد که پیشرفت رایانش نورومورفیک تنها به طراحی تراشه‌های جدید وابسته نیست. ابزارهای نرم‌افزاری مناسب نیز برای توسعه، آزمایش و استفاده از این فناوری ضروری‌اند.
چه کاربردهایی برای Loihi 2 بررسی شده؟
در گزارش فنی اینتل، نمونه‌هایی از کاربردهای پژوهشی این فناوری معرفی شده‌اند؛ از جمله کنترل تطبیقی بازوهای رباتیک، کنترل حرکت در سامانه‌های رباتیک، پردازش دیداری و حل برخی مسائل بهینه‌سازی. این نمونه‌ها نشان می‌دهند که پژوهشگران در حال بررسی کاربردهای متنوعی برای سخت‌افزارهای نورومورفیک هستند و باید میان نمایش قابلیت یک فناوری در محیط پژوهشی و استفاده گسترده از آن در محصولات تجاری تفاوت قائل شد. نتایج گزارش‌شده از سوی سازنده نیز باید با توجه به شرایط آزمایش و معیارهای مقایسه تفسیر شوند.

۱۰. کاربردهای رایانش نورومورفیک

رایانش نورومورفیک می‌تواند در حوزه‌های مختلفی مورد بررسی قرار گیرد. بااین‌حال، انتخاب این فناوری زمانی توجیه دارد که ویژگی‌های معماری آن با نیازهای مسئله تناسب داشته باشد.
رباتیک و کنترل هوشمند
ربات‌ها برای تعامل با محیط باید اطلاعات حسگرها را دریافت کنند، شرایط را تحلیل کنند و بر اساس آن تصمیم بگیرند. در برخی کاربردهای رباتیک، پردازش سریع اطلاعات و واکنش به تغییرات محیط اهمیت زیادی دارد. ازاین‌رو، معماری‌های نورومورفیک و الگوریتم‌های سازگار با آن‌ها می‌توانند گزینه‌هایی برای بررسی باشند. پژوهش در زمینه کنترل تطبیقی ربات‌ها و کنترل حرکت، از جمله موضوعاتی است که در مطالعات مرتبط با رایانش نورومورفیک مطرح شده است.
بینایی ماشین
بینایی ماشین به پردازش اطلاعات تصویری برای وظایفی مانند تشخیص اشیا، شناسایی الگوها و ردیابی حرکت گفته می‌شود. مقاله Yamazaki (۲۰۲۲) کاربرد شبکه‌های عصبی اسپایکی را در زمینه‌هایی از جمله بینایی ماشین بررسی می‌کند. در بعضی کاربردها، توجه به تغییرات زمانی و استفاده از داده‌های رویداد محور می‌تواند مفید باشد و عملکرد نهایی به نوع داده، معماری شبکه و روش آموزش وابسته است.
دستگاه‌های هوشمند و پردازش در لبه
در پردازش در لبه (Edge Computing)، بخشی از پردازش اطلاعات نزدیک به محل تولید داده انجام می‌شود؛ برای مثال، روی خود دستگاه یا در نزدیکی حسگر. این رویکرد می‌تواند نیاز به انتقال دائمی داده‌ها به یک مرکز پردازش دوردست را کاهش دهد. در دستگاه‌هایی که با محدودیت انرژی، اندازه یا زمان پاسخ‌گویی روبه‌رو هستند، سخت‌ افزار نورومورفیک ممکن است گزینه‌ای برای بررسی باشد. البته انتخاب آن باید بر اساس ارزیابی عملکرد و مقایسه با راهکارهای متداول انجام شود.
سامانه‌های تطبیقی
یکی دیگر از زمینه‌های پژوهش، طراحی سامانه‌هایی است که بتوانند در برابر تغییر شرایط واکنش نشان دهند یا رفتار خود را تنظیم کنند.
برخی الگوریتم‌ها و معماری‌های نورومورفیک برای بررسی روش‌های یادگیری و سازگاری توسعه یافته‌اند. این قابلیت‌ها می‌توانند در کاربردهایی که شرایط محیط دائماً تغییر می‌کند، اهمیت داشته باشند، البته همه سامانه‌های نورومورفیک الزاماً قابلیت یادگیری یا سازگاری ندارند. وجود چنین قابلیتی به الگوریتم، ساختار شبکه و نحوه پیاده‌سازی بستگی دارد.

۱۱. آینده رایانش نورومورفیک

رایانش نورومورفیک هنوز حوزه‌ای در حال توسعه است. پیشرفت آن به حل مجموعه‌ای از مسائل مرتبط با سخت‌افزار، الگوریتم‌ها و نرم‌افزار نیاز دارد. یکی از مهم‌ترین مسیرهای پژوهشی، توسعه معماری‌هایی است که بتوانند با افزایش تعداد واحدهای محاسباتی و پیچیدگی شبکه، عملکرد مناسبی داشته باشند. در کنار آن، بهبود روش‌های آموزش، توسعه ابزارهای برنامه‌نویسی و ایجاد معیارهای دقیق برای ارزیابی عملکرد نیز اهمیت دارد. از سوی دیگر، برای استفاده عملی از این فناوری باید ارتباط آن با حسگرها، تجهیزات کنترلی و رایانه‌های متداول به‌خوبی طراحی شود. در غیر این صورت، ممکن است هزینه‌های ارتباطی و تبدیل داده‌ها بخشی از مزایای مورد انتظار را کاهش دهند. در نهایت، آینده این حوزه به شناسایی کاربردهایی وابسته است که در آن‌ها معماری نورومورفیک بتواند مزیتی قابل‌اندازه‌گیری ایجاد کند. پژوهش‌های بیشتر و مقایسه‌های منصفانه مشخص خواهند کرد که این فناوری در چه شرایطی می‌تواند به گزینه‌ای مؤثر در کنار معماری‌های محاسباتی موجود تبدیل شود.

جمع‌بندی
رایانش نورومورفیک رویکردی در طراحی سامانه‌های محاسباتی است که از برخی ویژگی‌های ساختار و عملکرد مغز الهام می‌گیرد. این رویکرد با بازنگری در معماری سخت‌افزار، ارتباط میان واحدهای محاسباتی و شیوه پردازش اطلاعات، به دنبال راهکارهای متفاوتی برای انجام برخی وظایف است. شبکه‌های عصبی اسپایکی یکی از بخش‌های مهم این حوزه به شمار می‌روند. این شبکه‌ها اطلاعات را از طریق رویدادهای گسسته‌ای به نام اسپایک نمایش می‌دهند و در آن‌ها زمان‌بندی رویدادها نیز می‌تواند در محاسبات نقش داشته باشد.
از مزایای رایانش نورومورفیک می‌توان به امکان کاهش مصرف انرژی، پردازش رویدادمحور و استفاده از معماری‌های موازی اشاره کرد. در مقابل، آموزش شبکه‌های اسپایکی، توسعه ابزارهای نرم‌افزاری، مقیاس‌پذیری و اتصال به سایر سامانه‌ها همچنان از چالش‌های مهم این حوزه هستند.
بنابراین، رایانش نورومورفیک را نباید جایگزینی قطعی برای تمام رایانه‌های امروزی دانست. ارزش این فناوری در فراهم‌کردن رویکردی متفاوت برای طراحی محاسبات است؛ رویکردی که می‌تواند در برخی کاربردهای مشخص، مزایای مهمی داشته باشد.

پرسش‌های متداول

رایانش نورومورفیک به زبان ساده چیست؟
رایانش نورومورفیک رویکردی برای طراحی سخت‌افزارها و سامانه‌های محاسباتی است که از برخی ویژگی‌های مغز الهام می‌گیرند. هدف آن، توسعه روش‌های متفاوت پردازش اطلاعات برای کاربردهایی است که ممکن است از این معماری‌ها بهره ببرند.

آیا رایانش نورومورفیک همان هوش مصنوعی است؟
خیر. هوش مصنوعی حوزه‌ای گسترده از روش‌ها و فناوری‌ها را شامل می‌شود. رایانش نورومورفیک بیشتر بر طراحی معماری‌ها و روش‌های محاسباتی الهام‌گرفته از مغز تمرکز دارد و می‌تواند برای اجرای برخی الگوریتم‌های هوش مصنوعی استفاده شود.

شبکه عصبی اسپایکی چه تفاوتی با شبکه عصبی متداول دارد؟
در بسیاری از شبکه‌های عصبی متداول، اطلاعات به شکل مقادیر عددی پردازش می‌شوند. در شبکه‌های اسپایکی، اطلاعات از طریق رویدادهای گسسته‌ای به نام اسپایک نمایش داده می‌شوند و زمان وقوع این رویدادها نیز می‌تواند اهمیت داشته باشد.
 

آیا رایانش نورومورفیک مصرف انرژی کمتری دارد؟
این فناوری ظرفیت کاهش مصرف انرژی را در برخی کاربردها دارد؛ اما چنین مزیتی قطعی و همیشگی نیست. نتیجه به معماری سخت‌افزار، الگوریتم، نوع پردازش و شرایط مقایسه بستگی دارد.
 

آیا رایانش نورومورفیک جایگزین رایانه‌های امروزی می‌شود؟
نمی‌توان چنین نتیجه‌ای گرفت. رایانه‌های متداول برای طیف گسترده‌ای از وظایف مناسب‌اند. سامانه‌های نورومورفیک بیشتر به‌عنوان رویکردی مکمل برای کاربردهایی بررسی می‌شوند که بتوانند از ویژگی‌های خاص آن‌ها بهره ببرند.

منابع و مراجع

. Opportunities for Neuromorphic Computing Algorithms and Applications
Schuman, C. D., Kulkarni, S. R., Parsa, M., Mitchell, J. P., Date, P., & Kay, B. (2022).
Nature Computational Science, 2, 10–19.
https://doi.org/10.1038/s43588-021-00184-y
---
. Intel Labs’ Loihi 2 Neuromorphic Research Chip and the Lava Software Framework
Intel Labs. Intel Technology Brief.
---
. Neuromorphic Computing at Scale
Kudithipudi, D., Schuman, C., Vineyard, C. M., et al. (2025).
Nature, 637, 801–812.
https://doi.org/10.1038/s41586-024-08253-8
---
. Spiking Neural Networks and Their Applications: A Review
Yamazaki, K., Vo-Ho, V.-K., Bulsara, D., & Le, N. (2022).
Brain Sciences, 12(7), Article 863.
https://doi.org/10.3390/brainsci12070863