برنا – گروه علمی و فناوری: پژوهشگران با ساخت یک سامانه عصبی-بینایی الهام‌گرفته از مغز انسان، توانسته‌اند به ربات‌ها قدرت دیدن، پردازش و واکنش لحظه‌ای ببخشند.
زهرا وجدانی: در دنیای امروز که فناوری هوش مصنوعی و سامانه‌های خودران با سرعتی خیره‌کننده در حال تحول هستند، یکی از چالش‌های اساسی، توانمندسازی ماشین‌ها به دیدن، درک و واکنش لحظه‌ای به محیط اطراف است؛ همان‌گونه که مغز انسان با تکیه بر قدرت پردازش آنی اطلاعات بصری، این کار را به‌طور طبیعی انجام می‌دهد.
اکنون پژوهشگران با الهام از سازوکار‌های عصبی مغز، موفق به ساخت سامانه‌ای نوآورانه شده‌اند که با تقلید از عملکرد نورون‌های زیستی، بینایی هوشمند و حافظه دیداری را برای ماشین‌ها ممکن می‌سازد. این پیشرفت نه‌تنها می‌تواند نسل بعدی ربات‌های انسان‌نما و خودرو‌های خودران را متحول کند، بلکه افقی نو در مسیر ادغام فناوری و زیست‌شناسی در سیستم‌های هوشمند آینده ترسیم می‌کند.
این دستگاه عصبی-مانند (neuromorphic) جدید، در قالب سیستمی فشرده طراحی شده که می‌تواند بدون نیاز به رایانه خارجی، حرکات دست را شناسایی کرده، داده‌های بصری را پردازش کند و اطلاعات دریافتی را در قالب حافظه ذخیره کند. این فناوری نوظهور افق‌های جدیدی را برای ربات‌های انسان‌نما، خودرو‌های خودران و سیستم‌های پیشرفته‌ای که برای تعامل طبیعی با انسان طراحی می‌شوند، می‌گشاید.
شبیه‌سازی عملکرد نورون‌ها با مواد نانومقیاس
در قلب این فناوری، از ماده‌ای به نام دی‌سولفید مولیبدن (MoS₂) استفاده شده؛ ترکیب فلزی‌ای در ابعاد اتمی که دارای نقص‌هایی در ساختار بلوری خود است و می‌تواند نور را تشخیص داده و آن را به سیگنال الکتریکی تبدیل کند؛ همانند عملکرد نورون‌های مغزی.
دی‌سولفید مولیبدن (MoS₂) چیست؟
MoS₂ یک ترکیب شیمیایی با ساختار لایه‌ای است که در مقیاس نانو خواص الکترونیکی و نوری منحصر به‌فردی دارد و در ساخت دستگاه‌های الکترونیکی پیشرفته مورد استفاده قرار می‌گیرد.
نتایج این پژوهش‌ها نشان داد لایه‌های فوق‌نازک MoS₂، که از طریق فرایند رسوب‌دهی شیمیایی از بخار (CVD) تولید شده‌اند، می‌توانند فرآیند بارگیری و تخلیه بار الکتریکی را مشابه با مدل LIF تقلید کنند. این لایه‌ها نسبت به نور واکنش نشان داده و رفتار الکتریکی نورون‌های واقعی را بازآفرینی می‌کنند. همچنین با تنظیم ولتاژ گیت، سیستم به‌سرعت ریست می‌شود و امکان واکنش سریع‌تر مانند مغز انسان را فراهم می‌کند.
مدل LIF (Leaky Integrate-and-Fire)
مدلی در علوم اعصاب محاسباتی که نحوه جمع‌آوری و تخلیه بار الکتریکی در نورون‌ها را شبیه‌سازی می‌کند و برای طراحی شبکه‌های عصبی مصنوعی کاربرد دارد.
بینایی هوشمند و حافظه دیداری
محققان با بهره‌گیری از ویژگی‌های نوری MoS₂، یک شبکه عصبی اسپایکینگ (SNN) (نوعی از شبکه‌های عصبی مصنوعی که با الگوبرداری از نحوه ارسال پالس‌های الکتریکی در نورون‌های زیستی طراحی شده‌اند و برای پردازش اطلاعات به‌صورت زمانی مؤثر هستند.) طراحی کردند که در آزمایش‌ها موفق شد دقتی برابر با ۷۵ درصد در تشخیص تصاویر ثابت پس از ۱۵ دوره آموزشی و ۸۰ درصد دقت در شناسایی تصاویر پویا پس از ۶۰ دوره آموزشی کسب کند. این نتایج نویدبخش آینده‌ای روشن برای پردازش آنی داده‌های تصویری است.
در این آزمایش‌ها، دستگاه با استفاده از الگوریتم‌های تشخیص لبه، حرکات دست را شناسایی کرد، بدون آن‌که نیازی به ثبت فریم‌به‌فریم تصاویر باشد. این روش نه‌تنها مصرف داده و انرژی را کاهش داد، بلکه اطلاعات حرکتی را به شکل حافظه ذخیره کرد و از عملکرد مغز انسان تقلید نمود. این پژوهش که در محدوده نور مرئی انجام شده، بر پایه تحقیقات پیشین این تیم در حوزه نور فرابنفش بنا شده است.
کاربرد‌های آینده در فناوری‌های پیشرفته
این نوآوری می‌تواند نقش مهمی در ارتقای عملکرد وسایل خودران و ربات‌های پیشرفته در محیط‌های پرخطر یا پویا ایفا کند. دستگاه با تشخیص فوری تغییرات صحنه و بدون نیاز به پردازش حجیم داده‌ها، امکان واکنش‌های سریع‌تر و هوشمندتر را فراهم می‌آورد. این فناوری می‌تواند تعامل انسان و ربات را در حوزه‌هایی همچون تولید صنعتی یا دستیار‌های شخصی به سطحی بالاتر ارتقا دهد.
محققان هم‌اکنون در حال توسعه نمونه اولیه تک‌پیکسلی این دستگاه به آرایه‌ای از پیکسل‌های مبتنی بر MoS₂ هستند. همچنین با حمایت مالی پژوهشی جدید، گسترش قابلیت‌های این فناوری برای وظایف بصری پیچیده‌تر، بهینه‌سازی مصرف انرژی و ادغام آن با سامانه‌های دیجیتال رایج در دستور کار قرار گرفته است.
تیم RMIT همچنین در حال بررسی استفاده از مواد جدیدتر برای گسترش حساسیت این دستگاه به طیف مادون قرمز است؛ قابلیتی که می‌تواند در کاربردهایی، چون ردیابی گازها، نظارت هوشمند محیطی و تشخیص تابش‌ها استفاده شود.
این دستاورد علمی نشان‌دهنده پیشرفت قابل‌توجهی در زمینه فناوری‌های عصبی-مانند و بینایی مصنوعی است. با توسعه و بهینه‌سازی بیشتر، این فناوری می‌تواند به‌عنوان پایه‌ای برای نسل جدیدی از سیستم‌های هوشمند و خودران عمل کند که قادر به تعامل طبیعی‌تر و مؤثرتر با محیط اطراف خود هستند.
