شبیه‌سازی مغز انسان

سخت افزار جدید، مغز انسان را شبیه‌سازی خواهد کرد

اگر چه خیلی‌ها معتقد هستند که مغز اکثر حیوانات بدوی از هر «روبات هوشمندی» برتر است، اما واقعیت چیز دیگری است. ما داریم به سرعت به آن روزی نزدیک می‌شویم که بتوانیم سخت‌افزارهایی چنان پیچیده بسازیم که با قابلیت‌های یک مغز طبیعی هماوردی کنند. 

این یک خیالپردازی از جنس فیلم تبدیل‌شوندگان (Transformers) نیست و نباید هیچ هراسی از بابت یک روبات خرابکار مسلح که سعی دارد در آینده نزدیک بر دنیا چیره شود داشته باشیم. واقعیت خیلی جذاب‌تر از این تخیلات است و به طور بالقوه می‌تواند پیشرفتی عظیم در زمینه ساخت دستگاه‌های روباتیک، دارو و درمان، و نیز علوم اعصاب به همراه آورد. کاری که در ادامه مطلب با آن آشنا می شوید.

در همین راستا، پروژه BrainScaleS را به شما معرفی می‌کنیم که متشکل از 15 انستیتوی تحقیقاتی است و زیر نظر انستیتو فیزیکِ کریشهوف، واقع در هِیدلبرگ آلمان اداره می‌شود. دست اندر کاران این پروژه به کار بر روی ساخت سخت‌افزاری مشغول هستند که انواع کارکردهای تمام بخش‌های یک مغز بیولوژیک را در خود دارد. این پروژه بر مبنای مفهومی که توسط محققین هِیدلبرگ، «سخت‌افزار نورومورفیک» خوانده می‌شود، بنا شده است؛ سخت‌افزاری متشکل از سیستم‌های الکترونیک مشابه با هم، که رفتار طبیعی سیناپس‌های مغز را با استفاده از اجزاء الکتریکی مثل ترانزیستورها و میکروچیپ‌ها، بازسازی می‌کند. 

پژوهشگران این پروژه به تازگی یک نمونه اولیه‌ ارائه کرده‌اند: ویفری مربع شکل در ابعاد 20.32 سانتی‌متر که مجهز به 51 میلیون سیناپس مصنوعی است (ویفر یک صفحه نازک سیلیکنی و میزبان مدارات مجتمع و چیپ‌ها است). این نمونه را باید یک «جهش کوانتومی» برای پروژه‌ای دانست که دکتر یوهان شیمل، پژوهشگر ارشد، هدف از اجرای آن را چنین توصیف می‌کند: «هدف ما خلق یک سیستم عملکردی است که مرکز آن در هِیدلبرگ خواهد بود، ولی به صورت آنلاین برای محققین مستقر در تمام نقاط دنیا در دسترس قرار خواهد گرفت.» 

این نمونه اولیه فقط بخشی کوچک از یک مغز مصنوعی کاربردی است، ولی برای انجام آزمایش‌ها روی فرآیند پویش سیگنال‌های عصبیِ طبیعی در بازه‌های زمانی مشخص، کفایت خواهد کرد. سه سال دیگر از الآن، یعنی زمانی که پروژه به طور کامل به سرانجام رسیده باشد، مدل مغز سخت‌افزاری، فرآیندهای عصبی را 10 هزار بار سریع‌تر از آنچه در یک سیستم بیولوژیک (طبیعی) رخ می‌دهد، بازسازی خواهد کرد. دکتر شیمل می‌گوید: «این بدان معنا است که اگر بخواهیم رفتاری (در سیستم عصبی) را مورد تحقیق قرار دهیم که در ساختار زیستیِ طبیعی فقط چند دقیقه طول می‌کشد، برای ما تنها چند ثانیه زمان می‌بَرد.»

اما این همه زحمت برای چیست؟

تحقیقات صورت گرفته بر روی عملکرد مغز، تا اینجا اغلب بر مبنای شبیه‌سازی کامپیوتری شکل گرفته‌اند. پژوهشگران از یک سیستم کامپیوتری با ظرفیت بالا استفاده می‌کنند تا رفتار یک سیستم عصبی را برای آنها شبیه‌سازی کند. تلاش‌های مکرری صورت گرفته تا یک مغز مصنوعی نرم‌افزاری ساخته شود، مثل پروژه Blue Brain از آقای هنری مارکرام. هدف ابتدایی Blue Brain شبیه‌سازی یک تک ستونِ نئوکورتیکال از یک موش بود، که در سال 2006 به سرانجام رسید (ستون‌های نئوکورتیکال واحد‌های عصبی مغز هستند که با ساختاری مشابه تکثیر شده و به گفته مارکرام واحدهای تشکیل‌دهنده شبکه مغز به شمار می‌روند). هدف بلندپروازانه‌ای که مارکرام در گام بعدی برگزیده، شبیه‌سازی عملکرد مغز انسان است. 

سایرین، مانند سباستین سئونگ، فیزیکدانی که اینک به متخصص علوم اعصاب بدل شده، بر روی دیگر موضوع داغ این روزهای علم اعصاب تمرکز کرده‌اند: کانِکتومیک‌ها یا به زبان ساده، سیم‌کشی مغز انسان. گروه پژوهشی سئونگ در دانشگاه MIT، در تلاش برای اختراع تکنولوژی‌هایی به منظور شناسایی و توصیف کانِکتوم‌ هستند. کانِکتوم یعنی کلیت یا مجموعه‌ی اتصالاتی که بین آرایش‌های ارتباطی 100 میلیون نورون (از 100 میلیارد نورون) مغز انسان وجود دارد. دو سال قبل در گفتگویی که کنفرانس دوسالانه‌ی TED میزبان آن بود،‌ سئونگ 20 دقیقه زمان صرف کرد تا پیچیدگی غیرقابل‌باور سیستم نورونی مغز انسان، و همین‌طور چالش‌های پیش رو برای عینیت بخشیدن به ذهن انسان -برای درک بهتر آن حتی به میزانی اندک- را تشریح کند. 

در این بین پرسشی که مطرح می‌شود این است که تفاوت میان این دو رویکرد برای مدل‌سازی مغز انسان چیست و کدام یک مهم‌تر هستند: نرم‌افزاری که کارکرد مغز را به تصویر می کشد؛ ‌یا سخت‌افزاری که آن کارکرد را همتاسازی می‌کند؟ مشکل بزرگ این است که «شبیه‌سازی نرم‌افزاری» اسیر «قدرت پردازشی» است و هنوز هیچ سیستم سخت‌افزاری مناسبی وجود ندارد که بتواند عملکرد یک سیستم عصبی طبیعی را تاب بیاورد. برای شبیه‌سازی مغز یک پستاندار، ما به یک کارخانه تولید انرژی نیازمندیم! و به قول یوهان شیمل «این کاملاً غیرعملی است.» او می‌گوید: «برای علوم اعصاب، مدل‌سازی ضروری است. اگر مدل‌هایی نداشته باشیم که عملکرد نورون‌ها و سیناپس‌ها را شبیه‌سازی کنند، هرگز نخواهیم فهمید که مغز چطور کار می‌کند. نمی‌توانیم این همه داده را در فرمول‌ها بگنجانیم، زیرا رفتار هر سلول منفرد به خودی خود بسیار پیچیده‌تر از آن است که در چنین فرمی بگنجد.» 

به همین دلیل است که شیمل و گروه پژوهشی‌اش از نرم‌افزار فاصله گرفته‌ و به الکترونیک (سخت‌افزار) گرایش یافته‌اند. داشتن یک سیستم عملکردی که بتواند با اجزاء یک مغز زنده برابری کند، به ما کمک خواهد کرد تا نحوه عملکرد مغز را به شکلی کاملاً جدید، تحلیل و در نهایت درک کنیم. سخت‌افزاری در این مقیاس، به ما امکان خواهد داد تا سیستم‌های کنترلی هوشمند بسازیم که تأثیری شگرف بر علوم روباتیک خواهند گذاشت. باید دوباره یادآور شد که خبری از تبدیل‌شوندگان نیست! ولی ما سیستم‌هایی را خواهیم دید که به شکلی چشمگیر قوی و انطباق‌پذیر هستند و در مواجهه با خطاهای عملکردی، عکس‌العمل‌های درخوری نشان می‌دهند. 

اهدافی از این دست بوده‌اند که از مدت‌ها قبل، باعث انگیزش پژوهشگران برای برقراری ارتباط میان علم اعصاب و علم کامپیوتر شده‌اند. در پاییز 2011 بود که پژوهشگران در انستیتو تکنولوژیِ ماساچوستز، یک چیپ کامپیوتری معرفی کردند که چگونگی انطباق یافتن نورون‌های مغز با اطلاعات دریافتی جدید، و نیز عملکرد یک سیناپس مغزی را شبیه‌سازی می‌کرد. چیسانگ پون (پژوهشگر) در مصاحبه‌ای با جان روچ از msnbc اشاره کرده که: «حدود 100 میلیارد نورون در مغز انسان وجود دارد که هر کدام دارای سیناپس‌ها یا گپ‌هایی با سایر نورون‌ها هستند. اولین شبیه‌سازی (از بین دو شبیه‌سازی انستیتو تکنولوژیِ ماساچوستز) فقط یک گام کوچک برای ساخت سیستم‌های مغزی واقعاً هوشمند است.»

دکتر شیمل می‌گوید که یکی از جذاب‌ترین جنبه‌های مورد پژوهش در علم اعصاب، توانایی یادگیری مغز است. بنابراین وقتی درباره سیستم‌های شبیه‌ساز الکترونیکی فکر می‌کنیم، به خصوص در رابطه با علوم روباتیک، آنچه که به ذهن می‌آید تصویری شگفت‌انگیز از تکنولوژی‌هایی است که قادر به یادگیری هستند. ایده کامپیوتری که دارای قوه انطباق‌پذیری باشد مسحورکننده ولی در عین حال بسیار پیچیده است. در بیولوژی، نورون‌ها و سیناپس‌های مغز ما امکان یادگیری را فراهم می‌کنند. میلیون‌ها نورونی که از یک سلول رشد می‌یابند، در قالب بخش‌های سلولی تکثیر می‌شوند و همزمان سیگنال‌های ارتباطی را با محیط پیرامون خود مبادله می‌کنند و بدین شکل است که وظایف و کارکردهای آنها با سیستم عصبی پیرامون‌شان تطبیق می‌یابد. این است همان چیزی که پژوهشگران باید بتوانند شبیه‌سازی کنند. 

شیمل می‌گوید: «مشکل این است که ما قادر به تحلیل یک نورون‌ منفرد هستیم ولی قادر به تحلیل میلیون‌ها میلیون نورون نیستیم. به همین خاطر است که با محاسبات آماری کار می‌کنیم. زیرا این به طرزی باورنکردنی در بر گیرنده پارامترهای متعددی است که نمی‌توانیم به طور مستقیم اندازه‌گیری‌شان کنیم.» از همه اینها گذشته، یکی از موانع اصلی در راه ساختن سخت‌افزار نورومورفیک این است که سخت‌افزار به اندازه عناصر بیولوژیک انعطاف‌پذیر نیست. از این نظر، نرم‌افزار این برتری را دارد که می‌تواند راحت‌تر بازنویسی و تنظیم شود: «با رسیدن یافته‌های بنیادی جدید از طرف بیولوژیست‌ها، ممکن است مجبور به انجام تغییرات اساسی در سخت‌افزارمان شویم.» 

یکی از مأموریت‌های اصلی پروژه BrainScaleS که نباید از پیگیری آن غافل شویم، این است که می‌تواند منجر به شکل‌گیری پلتفرمی برای همکاری متخصصان علوم اعصاب، بیولوژیست‌ها، فیزیکدان‌ها، و نخبگان صنعت IT شود تا در بستر آن، و تا جای ممکن، حجم بیشتری از دانش و علم خود را با هم تلفیق کرده و سیستمی را خلق کنند که انعطاف‌پذیری به مراتب بیشتری را در قبال پیشرفت‌های آتی علوم مختلف داشته باشد. دکتر شیمل می‌گوید: «ظرف همین چند سال خواهیم فهمید که پروژه چقدر خوب کار خواهد کرد. ضعف‌ها را پیدا می‌کنیم، از آنها می‌آموزیم و سپس نسل بعدی سخت‌افزار نورومورفیک را طراحی خواهیم کرد.»