آیا می توان هوش را به ربات ها آموزش داد؟آیا می توان ربات هایی که همانند ما فکر می کنند را ساخت؟ پیشرفت در محاسبات منابع فیزیکی، فناوری ای که سیگنال‌های مغز را معنا می‌کند، می‌تواند به ایجاد ماشین‌های هوش مصنوعی که مانند ما فکر می‌کنند کمک کند.
سلول های مغزی ، تکانه های الکتریکی حرکت ربات را در ماز[1] هدایت می کنند. محققان در این مطالعه به توضیح چگونگی آموزش به ربات برای حرکت در ماز می پردازند. آن ها برای این کار از تحریک الکتریکی سلول های عصبی مغز که کشت داده شدند و متصل به دستگاه هستند استفاده می کنند.
خب حالا داستان چیه ؟
برای پروژه ربات هایی که همانند ما فکر می کنند در آموزش به ربات ها جهت حرکت در یک ماز می توانیم از تحریک الکتریکی سلول های عصبی کشت داده شده ی مغز که متصل به دستگاه هستند استفاده کنیم. این سلول های عصبی از سلول های زنده به وجود آمده اند و به عنوان منبع فیزیکی[2] کامپیوتر ، برای ساخت سیگنال های منسجم عمل می کنند . با ارسال سیگنال های مختل کننده به سیستمی همچون ربات، می توانیم بدون هیچ گونه یادگیری اضافی دیگری، یک رفتار هدف مند ایجاد کنیم.
روش تحقیقاتی این تیم
این مطالعه در Applied Physics Letters ، از انتشارات AIP ، توسط محققان دانشگاه توکیو انجام شد. آن ها بیان می کنند که این سلول های عصبی یا نورون ها از سلول های زنده به وجود آمدند. این سلول ها به عنوان منبع فیزیکی رایانه برای ساخت سیگنال های منسجم عمل می کنند.
در واقع این سیگنال ها به عنوان سیگنال های هموستاتیک به حساب می آیند. آن ها به ربات می گویند که در مرز مشخصی حرکت کند و مسیر اصلی حرکت را حفظ کند. در واقع هنگامی که ربات در ماز حرکت می کند، مسیر اصلی به عنوان یک خط پایه تعیین می شود.
هر زمان که ربات در جهت اشتباه منحرف می شود یا با مسیر اشتباه روبرو می شود ، نورون های موجود در کشت سلولی توسط یک تکانه الکتریکی مختل می شوند.
در طول آزمایش ها، ربات به طور مداوم سیگنال های هومئوستاتیک را که توسط سیگنال های مختل کننده قطع می شدند دریافت می کند. این موضوع تا زمانی که با موفقیت از ماز بگذرد ادامه دارد.
در نتیجه این بررسی با ارسال سیگنال های مختل کننده به سیستمی همچون ربات، می توانیم بدون هیچ گونه یادگیری اضافی، یک رفتار هدف مند ایجاد کنیم. ربات توانایی دیدن محیط اطراف یا دریافت اطلاعات حسی دیگر را ندارد. بنابراین رفتار او تنها به تکانه های آزمایش و خطای الکتریکی بستگی دارد.
هیرو کازو تاکاهاشی، استادیار مکانیک انفورماتیک می گوید: “هوش در یک سیستم زنده نتیجه ی یک مکانیسم می باشد. این مکانیسم یک خروجی منظم و سازمان دهی شده را از حالتی غیر منسجم استخراج می کند. من از آزمایش هایمان برای طرح این فرضیه الهام گرفتم. ”
نتیجه تحقیقات این تیم
با استفاده از این اصل و ایده ساخت ربات هایی که همانند ما فکر می کنند ، محققان نشان می دهند که توانایی های حل کار هوشمند[3] را می توان با استفاده از منبع فیزیکی رایانه ها برای استخراج سیگنال های عصبی غیر منسجم و ارائه سیگنال های هموستاتیک یا مختل کننده ایجاد کرد. با انجام این کار ، کامپیوتر مخزنی ایجاد می کند که نحوه حل کار را می فهمد.
تاکاهاشی می گوید : ” مغز یک کودک دبستانی قادر به حل مسائل ریاضی در امتحان پذیرش دانشگاه نیست. این موضوع احتمالاً به دلیل این است که دینامیک مغز یا منبع فیزیکی سیستم آن ها به اندازه کافی غنی نیست . توانایی حل تکلیف با این موضوع تعیین می شود که شبکه چقدر می‌تواند مجموعه ای از الگو های فضایی و زمانی را ایجاد کند.
این تیم بر این باور است که استفاده از محاسبات منبع فیزیکی در این زمینه، به درک بهتر مکانیسم های مغز کمک می کند. این موضوع ممکن است منجر به پیشرفت جدیدی در یک سیستم نورو مورفیک شود.
[1] maz [2] physical reservoir [3] intelligent task-solving abilities
منابع
- Materials provided by American Institute of Physics . Note : Content may be edited for style and length.
- Yuichiro Yada , Shusaku Yasuda , Hirokazu Takahashi . Physical reservoir computing with FORCE learning in a living neuronal culture . Applied Physics Letters , 2021 ; 119 (17) : 173701 DOI : 10. 1063/ 5.0064771
مترجم: فائزه الیاسی | تولید محتوا و ویراستار: پرنیا فواکهی
