نوآوری در هوش مصنوعی پایدار: محاسبات نورومورفیک برای کاهش مصرف انرژی

پژوهش‌های جدید در دانشگاه MIT نشان می‌دهد که هوش مصنوعی می‌تواند با الهام از ساختار مغز انسان به شکل قابل‌توجهی مصرف انرژی را کاهش دهد. میرا‌شاوه‌که، دانشجوی PhD در دپارتمان مهندسی مواد، در حال توسعه دستگاه‌ها و مواد نورومورفیک است که اطلاعات را همزمان پردازش و ذخیره می‌کنند، مشابه نحوه عملکرد نورون‌ها و سیناپس‌های مغز.

امروزه پردازش داده‌ها در رایانه‌ها و به‌ویژه در هوش مصنوعی و یادگیری ماشین، مستلزم انتقال اطلاعات بین واحدهای پردازشی و ذخیره‌سازی جداگانه است؛ فرآیندی که انرژی بالایی مصرف می‌کند. در مقابل، مغز انسان اطلاعات را در همان محل سیناپس‌ها پردازش و ذخیره می‌کند، امری که بهره‌وری انرژی بسیار بالاتری ایجاد می‌کند.

پژوهش شوآکه بر سیناپس‌های یونی الکتروشیمیایی تمرکز دارد؛ دستگاه‌های ریز قابل تنظیم که هدایت الکتریکی آن‌ها را می‌توان تغییر داد تا رفتار مشابه سیناپس‌ها در مغز ایجاد شود. او می‌گوید:

«برای آموزش مدل‌های بزرگ هوش مصنوعی، مصرف انرژی بسیار زیاد است. مغز انسان در مقابل با انرژی بسیار کمتر یاد می‌گیرد. این تفاوت ما را به سوی راهکارهای مبتنی بر مغز برای هوش مصنوعی پایدار سوق داد.»

پروفسور بیلگه ییلدیز، مشاور شوآکه، توضیح می‌دهد که یکی از دلایل کارآمدی مغز این است که داده‌ها نیازی به انتقال مکرر ندارند. اتصال‌ها (سیناپس‌ها) همزمان محل پردازش، برنامه‌ریزی و ذخیره‌سازی هستند و دستگاه‌های نورومورفیک طراحی‌شده در این پژوهش قصد دارند این بهره‌وری را تقلید کنند.

شوآکه با استفاده از اکسید تنگستن و یون‌های منیزیم، مقاومت الکتریکی کانال‌های دستگاه‌ها را تنظیم می‌کند تا شدت سیگنال‌ها مانند سیناپس‌های مغز کنترل شود. این روش می‌تواند به کاهش چشمگیر مصرف انرژی در مراکز داده و پردازش مدل‌های هوش مصنوعی بزرگ منجر شود.

این پژوهش همچنین نشان‌دهنده اهمیت بین‌رشته‌ای بودن علوم مواد، الکتروشیمی و مهندسی کامپیوتر است. شوآکه با تلفیق اصول شیمی حالت جامد و فیزیک نیمه‌هادی‌ها، به توسعه راهکارهای عملی برای چالش‌های انرژی‌بر هوش مصنوعی می‌پردازد.

از سوی دیگر، فعالیت‌های اجتماعی و علمی شوآکه، از جمله آموزش علوم به کودکان و مشارکت در رویدادهای عمومی، نشان می‌دهد که ارتباط مؤثر بین پژوهشگران و جامعه می‌تواند نوآوری‌ها را به سطح کاربردی و آموزشی ارتقا دهد.

در نهایت، این پژوهش گامی مهم در مسیر هوش مصنوعی پایدار است و نشان می‌دهد که الهام از مغز انسان و استفاده از محاسبات نورومورفیک می‌تواند راهکاری برای کاهش مصرف انرژی در آینده هوش مصنوعی باشد.

منبع خبر: MIT News – Jason Sparapani, October 24, 2025