به گزارش روان ۲۴ – به نقل از ایرنا، پژوهشگران چینی با طراحی نانوکانالهایی الهامگرفته از ساختارهای زیستی، برای نخستینبار شواهد تجربی مهمی از سازوکارهای حافظه در مغز انسان ارائه دادهاند. این دستاورد نهتنها درک ما از یادگیری و حافظه را بهطور عمیقتر ممکن میسازد، بلکه مسیر توسعه نسل جدیدی از محاسبات نورومورفیک و سامانههای هوش مصنوعی کممصرف را هموار میکند.
تیمی از پژوهشگران مؤسسه فیزیک مدرن آکادمی علوم چین و دانشگاه لانژو موفق شدند با استفاده از نانوکانالهای الهامگرفته از سیستم عصبی، شواهد تجربی ارزشمندی درباره سازوکارهای حافظه در مغز ارائه دهند. نتایج این مطالعه در نشریه معتبر «مواد کارکردی پیشرفته» (Advanced Functional Materials) منتشر شده و توجه جامعه علمی را به خود جلب کرده است. این پژوهش، پل مهمی میان علوم اعصاب، فناوری نانو و محاسبات الهامگرفته از مغز ایجاد میکند.
سیناپسها؛ معماران حافظه و یادگیری
یادگیری و حافظه انسان در شبکهای فوقالعاده پویا از سیناپسهای عصبی ریشه دارد. این اتصالهای ظریف همچون کلیدهایی هوشمند، سیگنالها را منتقل کرده و بهطور مداوم بازآرایی میشوند. همین پویایی امکان رمزگذاری، ذخیره و بازیابی اطلاعات را فراهم میکند و اساس سازگاری رفتاری و شناختی مغز انسان را شکل میدهد. مغز با تکیه بر این سیناپسها، با مصرف انرژی بسیار اندک، محاسباتی فوقالعاده پیچیده انجام میدهد.
مِمریستورهای زیستی؛ الهامبخش محاسبات مصنوعی
در سامانه عصبی، سیناپسها رفتاری شبیه مِمریستورها دارند؛ عناصری که میتوانند همزمان پردازش و ذخیره اطلاعات را انجام دهند. این قابلیت با جابجایی کنترلشده یونها و انتقالدهندههای عصبی در نانوکانالها ممکن میشود. تنظیم پویای قدرت اتصال سیناپسی بر اساس فعالیتهای پیشین، همان راز کارآمدی مغز است. بازتولید این ویژگی در سامانههای مصنوعی، بهویژه در محیطهای مایع، هدف کلیدی پژوهشهای رابط مغز و رایانه و محاسبات نورومورفیک است.
اثبات تجربی حافظه در نانوکانالها
پژوهشگران با موفقیت اثر مِمریستیو را در نانوکانالهای زیستالهام با دو سازوکار متمایز نشان دادند:
– اثر غربالگری یونهای دوظرفیتی مانند منیزیم و کلسیم
– برداشت پروتون تحت تغییرات اسیدیته محیط
این دو مکانیسم، نقش حیاتی در کنترل جریان یونها در نانوکانالها دارند و همان رفتار هیسترزیسی مِمریستورها را شبیهسازی میکنند.
بازآفرینی ویژگیهای حافظه زیستی
این نانوکانالها تنها یک نمونه آزمایشگاهی ساده نیستند؛ بلکه میتوانند ویژگیهای کلیدی حافظه زیستی را شبیهسازی کنند. از جمله:
– تقویت کوتاهمدت و بلندمدت سیگنالها
– تسهیل و تضعیف ضربه جفتی سیناپسی
– کدگذاری پویا وزنهای سیناپسی
این قابلیتها اساس رفتارهای یادگیری تطبیقی در سامانههای نورومورفیک را شکل میدهند.
شبکه عصبی مصنوعی؛ عملکرد آزمایشی امیدوارکننده
برای ارزیابی کاربرد عملی دستاورد، تیم تحقیقاتی یک شبکه عصبی سهلایه برای تشخیص الگو طراحی کرد. این شبکه با مجموعهداده ارقام دستنویس آموزش داده شد و در مرحله آزمون به دقت ۹۴٫۶ درصد دست یافت. این عملکرد با بسیاری از سیناپسهای مِمریستوری حالتجامد قابل رقابت است و نشان میدهد که مِمریستورهای نانوسیالی زیستالهام ظرفیت بالایی برای هوش مصنوعی نسل آینده دارند.
به باور پژوهشگران، اهمیت این نانوکانالها تنها در محاسبات نورومورفیک خلاصه نمیشود. این فناوری میتواند بهعنوان ابزاری تجربی برای مطالعه عمیقتر سازوکارهای حافظه در مغز مورد استفاده قرار گیرد و درک ما از شکلگیری و تغییر خاطرات را گسترش دهد. در بلندمدت، این دانش میتواند پیامدهای گستردهای برای علوم اعصاب، پزشکی عصبی و توسعه رابطهای پیشرفته مغز-ماشین داشته باشد.
