عناوین خبرها بزرگتر شدن زمین زندگی در مریخ ابررسانایی توریم انجام محاسبات توسط امواج مغناطیسی لوازم جانبی عکاسی جایگزینی عینک ها با گوشی های هوشمند روش جدید برای اندازه گیری گرانش ابررسانایی توریم حذف نویز پس زمینه در گپ های ویدیویی بهترین ویژگی های پنهان آیفون و آیپد تولید پلیمرهای قابل تجزیه شبکه بی سیم 5G ساخت برگ مصنوعی تولید کننده کربن خنثی هوش مصنوعی و آینده انسانها کشف ماده جدید جذب کننده دی اکسید کربن ساخت مغز سیلیکون فناوری نوین کشاورزی جایگزین مناسب برای تهویه هوا کار در عصر هوش مصنوعی سیستم ذخیره سازی و بازیابی خودکار استفاده از اتوماسیون انبار انقلاب صنعتی 4 آغاز فروش Galaxy Fold نگهداری صحیح ماشین آلات صنعتی نمایشگر micro led سونی بهترین سیستم امنیتی خانگی طراحی کرم رباتیک برای کنترل سکته‌های مغزی
ساخت مغز سیلیکون

سال 2012 ، دانشمند رایانه ، داردمندرا مودا از یک ابر رایانه قدرتمند برای شبیه سازی فعالیت بیش از 500 میلیارد نورون - حتی بیشتر از 85 میلیارد سلول عصبی در مغز انسان - استفاده کرد. این اوج تقریباً یک دهه کار بود ، زیرا مودا از شبیه سازی مغز جوندگان و گربه ها به چیزی در مقیاس انسان پیشرفت کرد.
این شبیه سازی منابع محاسباتی عظیمی را 1.5 میلیون پوند پردازنده و 1.5 پت (1.5 میلیون گیگابایت) حافظه مصرف کرده است و هنوز هم آهسته ، 1.500 برابر کندتر از محاسبات مغز بود. مودا تخمین می زند که برای اجرای آن در زمان واقعی بیولوژیکی به 12 گیگاوات انرژی نیاز است ، یعنی حدود شش برابر حداکثر ظرفیت خروجی سد هوور. "و با این حال ، این فقط کاریکاتور از آنچه مغز انجام می دهد ،" می گوید: مودا ، دانشمند اصلی محاسبات مغز در مرکز تحقیقات IBM آلمدن در شمال کالیفرنیا. این شبیه سازی به هیچ وجه به تکرار عملکرد مغز انسان نزدیک نشده است ، که از همان انرژی به عنوان لامپ 20 واتی استفاده می کند.
از اوایل دهه 2000 ، سخت افزارهای پیشرفته و پیشرفت در علوم آزمایشگاهی و نظری ، محققان را قادر ساخته اند تا مدلهای بزرگتر و دقیق تری از مغز بسازند. اما هرچه این شبیه سازی ها پیچیده تر شوند ، بیشتر در محدودیت های سخت افزاری رایانه ای معمول عمل می کنند ، همانطور که توسط مدل مودا نشان داده شده است. شبیه سازی مغز انسان مودا بر روی ابر رایانه Blue Gene / Q Sequoia ، لارنس Livermore National Lab ، که یک کنسول فوق العاده قدرتمند از سخت افزار رایانه های سنتی است ، انجام شده است: این کار با تراشه های رایانه ای معمولی به اندازه انگشت سیلیکونی حاوی میلیون ها ترانزیستور ساخته شده است. قوانینی که بر ساختار و عملکرد تراشه های رایانه ای حاکم است کاملاً متفاوت از مغز ماست.
اما این واقعیت که رایانه ها بسیار متفاوت از آنچه فکر می کنند فکر می کنند ، در واقع وظایفی مانند خرد کردن شماره ها را به آنها می دهد ، در حالی که باعث می شود آنها در سایر زمینه ها ، مانند درک گفتار انسان یا یادگیری از تجربه ، بطور قاطع ابتدایی شوند. اگر دانشمندان بخواهند مغزی را شبیه سازی کنند که می تواند با هوش انسان مطابقت داشته باشد ، چه رسد به اینکه آن را گرفتار نکنیم ، شاید آنها مجبور شوند از بلوک های ساخت بهتر - تراشه های رایانه ای با الهام از مغز ما شروع کنند.

مهندسی معکوس مغز

تقلید از مغز : ریچارد گرانگر ، دانشمند علوم اعصاب محاسباتی در کالج دارتموت ، می گوید: مدل سازی مغز با استفاده از ساخت مغز سیلیکون و سخت افزار عصبی مورفولوژیک می تواند اصول اساسی محاسبه عصبی را نشان دهد . دانشمندان علوم اعصاب می توانند خواص بیوفیزیکی و شیمیایی سلولهای عصبی را با جزئیات بسیار زیاد اندازه گیری کنند ، اما سخت است بدانید که کدام یک از این خصوصیات در واقع برای توانایی های محاسباتی مغز مهم هستند. اگرچه مواد مورد استفاده در تراشه های عصبی ، چیزی شبیه به ماده سلولی مغز انسان نیستند ، مدل هایی که از این سخت افزار جدید استفاده می کنند می توانند اصول محاسباتی را برای نحوه خاموش کردن مغز و ارزیابی اطلاعات نشان دهند.
تکثیر مدارهای عصبی ساده در سیلیکون به Indiveri کمک کرده است تا مزایای پنهان طراحی مغز را کشف کند. او یک بار به یک دانشجوی دکترا تراشه عصبی مورفولوژیکی داد که توانایی مدل سازی سازگاری فرکانس سنبله را داشت ، مکانیزمی که به انسان اجازه می دهد تا به یک محرک ثابت زندگی کنند. دانش آموز تصمیم گرفت که این فضای را بر روی تراشه قرار ندهد. با این حال ، هنگامی که او برای کاهش پهنای باند و تراکم پهنای باند کار می کرد ، با چیزی که به نظر می رسید با سازگاری فرکانس سنبله که حذف کرده بود ، به پایان رسید. Indiveri و همکارانش همچنین دریافتند که بهترین راه برای ارسال سیگنال های آنالوگ در مسافت های طولانی ، نشان دادن آنها نه به عنوان یک جریان مداوم متغیر ، به عنوان مثال ، بلکه به عنوان دنباله یا آموزش قطار سنبله ها ، درست مثل نورون ها است.
سخت افزار نورومورفیک همچنین به محققان امکان می دهد تئوری های خود را درباره عملکرد مغز آزمایش کنند. توماس کللند ، علوم اعصاب محاسباتی دانشگاه کرنل ، مدل هایی از لامپ بویایی را برای روشن تر کردن اصول اساسی حس بویایی ما می سازد. استفاده از تراشه Loihi به وی امکان ساخت مدلهای سخت افزاری را داد که به اندازه کافی سریع برای تقلید از بیولوژی بودند. هنگامی که داده های مربوط به شیمی سازان - که به عنوان نسخه های مصنوعی گیرنده های رایحه ما استفاده می شوند - داده می شود ، سیستم یاد می گیرد که بوها را پس از قرار گرفتن در معرض تنها یک نمونه ، بوی آن را بشناسد و از روشهای سنتی یادگیری ماشین سنتی و نزدیک تر شدن به تکلیف برتر انسان یاد بگیرد. دیویس می گوید: "با نقشه برداری موفقیت آمیز چیزی شبیه به آن و در واقع نشان دادن کار در تراشه عصبی ، این یک تأیید عالی است که شما واقعاً سیستم را درک می کنید."
مدل های بویایی کللند همیشه مطابق آنچه انتظار می رفت عمل نمی کردند ، اما آن آزمایش های "شکست" همان آشکار بود. ورودی های بو گاهی اوقات با حسگرها متفاوت از مدل پیش بینی شده به نظر می رسید ، احتمالاً به این دلیل که بوها پیچیده تر یا پر سر و صداتر از حد انتظار بودند ، یا به دلیل اینکه دما یا رطوبت با سنسورها تداخل می کند. وی می گوید: "ورودی به نوعی پیروز می شود ، و می دانیم که بینی ما را گول نمی زند." محققان دریافتند که با توجه به "نویز" قبلاً نادیده گرفته شده در ورودی های بو ، مدل سیستم بویایی می تواند انواع بیشتری از ورودی ها را به درستی تشخیص دهد. این نتایج باعث شد که کللند مدل بویایی خود را به روز کند ، و محققان هم اکنون می توانند به سیستم های بیولوژیکی مراجعه کنند تا ببینند آیا از این تکنیک قبلاً ناشناخته برای تشخیص بوهای پیچیده یا پر سر و صدا استفاده می کنند یا خیر. کللند امیدوار است مدل خود را که در زمان واقعی بیولوژیکی اجرا می شود ، تجزیه و تحلیل کند تا داده های بو از صدها یا حتی هزاران سنسور را مورد تجزیه و تحلیل قرار دهد ، اتفاقی که می تواند روزها برای اجرای سخت افزارهای غیر نورومورفیک به طول انجامد. او می گوید: "تا زمانی که بتوانیم الگوریتم ها را روی تراشه نورومورفیک قرار دهیم ، آنگاه به زیبایی ترازو می شود." "جالب ترین چیز برای من اینست که بتوانم این مجموعه داده های 16000 حسگر را اجرا کنم تا ببینم الگوریتم در هنگام مقیاس بالا چقدر خوب بدست می آید."
SpiNNaker ، TrueNorth و Loihi همگی می توانند شبیه سازی نورونها و مغز را با همان سرعتی که در زیست شناسی اتفاق می افتند اجرا کنند ، به این معنی که محققان می توانند از این تراشه ها برای شناسایی محرک ها - مانند تصاویر ، حرکات یا صداها - در هنگام بروز استفاده کنند و سریعاً به آنها پاسخ دهید. این قابلیتها به غیر از اجازه دادن به بینی مصنوعی Cleland برای پردازش بو ، این امکان را فراهم می آورد که ربات ها را در زمان واقعی و با مصرف بسیار کمی قدرت ، نسبت به محیط خود حس و واکنش نشان دهند. این یک قدم بزرگ در بیشتر رایانه های معمولی است.
سیستم جدید قادر خواهد بود که از یادگیری و مدل سازی فرایندهای شیمیایی ، مانند تأثیرات دوپامین بر یادگیری ، که در سایر سیستمهای عصبی مکرر استفاده نمی شود ، تقلید کند. محققان می گویند این مدل همچنین قادر خواهد بود تا انواع نورون ها ، دندریت ها و کانال های یونی و ویژگی های انعطاف پذیری ساختاری مانند از بین رفتن و رشد سیناپس ها را مدل کند. شاید روزی سیستم حتی بتواند یادگیری و شعور انسان را تقریباً تقریب دهد. Johannes Schemmel ، بیوفیزیکدان دانشگاه هایدلبرگ که به توسعه BrainScaleS کمک کرده است می گوید: "فهمیدن هوش بیولوژیکی بزرگترین مشکل قرن است."

بر چسب ها :

مدل سازی مغز

-

مدارهای عصبی

-
سخت افزار نورومورفیک
گالری تصاویر
دستگاه خشک کن میوه خشک کن میوه دستگاه آسیاب
میوه خشک کن جداساز ساقه از برگ دستگاه میوه خشک کن
www.hedayatco.com ما و همکارانمان با هم‌آفرینیِ یک مجموعه‌ اقتصادی پویا در زمینه‌ ی تولید انواع تجهیزات صنعتی علاوه بر کسب جایگاه مناسب در ایران ، در سال‌های اخیر، به حوزه‌ی صادرات نیز ورود کرده‌ایم که از آن جمله می‌توان به صادرات به بیش از 30 کشور آسیایی ، اروپایی و آفریقایی اشاره کرد. گروه هدایت را با اتکاء به دانش و تلاش‌های جوانان ایرانی شکل دادیم و با بهره‌ مندی از روحیه‌ی کارآفرینی و با هدف پیشرفت صنعت ماشین سازی در کشور ، این کسب‌وکار را گسترش دادیم و بر پایه استراتژی توسعه در تلاشیم هر ساله بر تعداد و کیفیت دستگاههای تولیدی افزوده شود.
اخبار هدایت
مقالات هدایت
ساخت ماشین آلات استاندارد و با کیفیت بالا
تولید سبزی پاک کن صنعتی با کارایی بی نظیر
فروش آسیاب پره ای و چکشی
صادرات بوجاری حبوبات به عراق