Bilim insanları ve mühendisler, teknolojinin sürekli evrilmesiyle birlikte, hesaplama sistemlerinin yeteneklerini artırmak için doğadan ilham almışlardır. Örneğin, biyomimikri yaklaşımı doğanın milyonlarca yıllık evrim sürecinde geliştirdiği tasarımlardan ilham alarak bu tasarımları teknolojik çözümlere uygulamayı amaçlamıştır. Bunun yanı sıra, yapay fotosentez, bitkilerin güneş ışığını enerjiye dönüştürme sürecinden ilham almakta ve güneş enerjisini daha verimli bir şekilde kullanıp enerji depolama sorunlarını çözmeyi hedeflemektedir. Yapay sinir ağları ise, insan beyninin bilgi işleme şeklinden ilham alarak karmaşık veri setlerinden öğrenme ve tahminlerde bulunma yeteneğinden yola çıkılarak oluşturulmuştur. Bu örneklerden biri de nöromorfik hesaplamadır. Nöromorfik hesaplama, insan beyninin aktivitesine dayanan bir mühendislik yöntemi kullanmaktadır. Bu tür bir yaklaşım, diğer geleneksel mimarilerden, örneğin geleneksel donanım tasarımında çok yararlı olan von Neumann mimarisinden daha verimli sonuçlar elde etmemize yardımcı olabilir. Nöromorfik hesaplama bazen nöromorfik mühendislik olarak da adlandırılmaktadır. Nöromorfik hesaplama terimiyle hem donanım hem de yazılım hesaplama elemanlarının tasarımı ifade edilmektedir. Bu alanın ilgi çekici yanı, insan beyninin karmaşık mimarisini ve işlevselliğini yapay sistemler içinde yeniden oluşturmayı amaçlamasıdır. İnsan beyninin algılama, karar verme, desen tanıma, öğrenme ve uyum kabiliyeti gibi karmaşık yeteneklere sahip olduğu bilinmektedir. Geleneksel hesaplama, ikili mantığa (0 ve 1’ler) ve sıralı işleme dayanmaktadır. Evimizdeki bir ışık anahtarı, geleneksel hesaplamanın ikili mantığını mükemmel bir şekilde temsil etmektedir. Işıklar ya açıktır (1) ya da kapalıdır (0). Bu örnek, bilgisayarların veriyi işleme şeklinin temelini oluşturur. Diğer yandan, yemek tariflerini takip etmek, sıralı işlemeye benzer. Yemek yaparken tarifteki adımları belirli bir sırayla takip ederiz. Örneğin, önce malzemeleri hazırlarız, sonra pişiririz ve en sonunda servis yaparız. Bu, bilgisayarların komutları belirli bir sırayla işlediği geleneksel hesaplama modeline benzemektedir. Nöromorfik hesaplama ise beynin sinir ağlarından ilham almaktadır. Nöromorfik sistemler, paralel işleme ve bağlantılı düğümleri kullanarak karmaşık görevleri ele alma konusunda beynin verimini taklit etmektedir.

Figür 1: İnsan Beyni ve Çalışma Prensibi

Figür 2: Biyolojiye Dayalı Nöromorfik Cihaz Tasarımının Temel Prensibi

Nöronların ve Sinapsların Taklit Mekanizması

Nöronlar ve sinapslar, beynin içindeki bilgi akışını sağlayan temel yapı taşları olarak bilinmektedir. Nöronlar, kimyasal ve elektriksel sinyaller aracılığıyla birbirleriyle iletişim kurmaktadırlar. Sinapslar da bu iletişimi mümkün kılan özelleşmiş bağlantı noktalarıdır. Nöronlar ve sinapslar, geleneksel bilgisayar sistemlerinden çok daha esnek, uyumlu ve enerji verimli bilgi işlemcilerdir. Nöromorfik hesaplama, bu yetenekleri yakalamak için nöronların ve sinapsların davranışını taklit eden devreler tasarlayarak gerçekleştirilmektedir. Bu yaklaşım, makinelerin insan beyni gibi bilgi işlemesine olanak tanımakta ve yapay zeka ile bilişsel hesaplama alanındaki ilerlemelere katkıda bulunmaktadır.

Şimdiye kadar nöromorfik hesaplamanın ve onun biyolojik ilham kaynaklarının ne olduğunu tartıştık. Her teknoloji gibi nöromorfik hesaplamanın da kendine özgü avantajları ve dezavantajları bulunmaktadır. Peki nöromorfik hesaplamanın artıları ve eksileri nelerdir?

Nöromorfik Hesaplamanın Avantajları ve Dezavantajları nelerdir?

Nöromorfik Hesaplamanın Tarihi

1936- Matematikçi ve bilgisayar bilimcisi Alan Turing, bir bilgisayarın herhangi bir matematiksel hesaplamayı gerçekleştirebileceğini kanıtlayan bir matematiksel teoremi oluşturdu.

1948- Turing, "Zeki Makineler" adlı bir makale yazdı. Bu makalede, insan nöronlarına dayalı bilişsel modelleme makinelerini tanımladı.

1949- Kanadalı psikolog Donald Hebb, sinaptik plastisite ile öğrenme arasında bir ilişki kurarak nörobilimde çığır açıcı bir ilke imza atmıştır.

1950- Turing, hala genel yapay zeka (AGI) için standart bir test olarak kabul edilen Turing Testi'ni geliştirdi.

1958- ABD Deniz Kuvvetleri, biyolojik sinir ağlarını taklit eden perceptronu görüntü tanıma amacıyla kullanmak üzere geliştirmiştir. Ancak teknoloji, beynin işleyişine dair sınırlı 1958 bilgiye dayalı olarak tasarlandığından, amaçlanan işlevselliği sunamamıştır. Yine de perceptron, neuromorfik hesaplamanın öncüsü olarak kabul edilmektedir.

1980- Neuromorfik hesaplama, günümüzde bilindiği şekliyle ilk kez Caltech profesörü Carver Mead tarafından önerilmiştir. Mead, sinir sisteminin işleyişi tam olarak anlaşılabilseydi, bilgisayarların insan sinir sistemi tarafından yapılan her şeyi yapabileceğini öne sürmüştür.

2013- Henry Markram, yapay bir insan beyni oluşturma amacıyla HBP (Human Brain Project)'i başlattı. İnsan beynini daha iyi anlamak ve bu bilgiyi tıp ve teknolojiye uygulamak için başlatılan HBP 10 yıllık bir süreye sahiptir. Ayrıca, Avrupa genelinde 500'den fazla bilim insanı ve 140 üniversite bu proje üzerinde çalışmaktadır.

2014- IBM, geleneksel von Neumann donanımına göre daha düşük güç tüketimine sahip olan TrueNorth neuromorfik çipini geliştirdi. Bu çip, görsel nesne tanıma alanında kullanılmaktadır.

2018- Intel, robotik ve jest/koku tanıma gibi alanlarda uygulamaları 2018 olan Loihi neuromorfik çipini geliştirdi.

Nöromorfik hesaplama alanındaki bazı örnekler:

Hesaplamalı yaklaşımı kullanan Tianjic çipi

Günümüzde nöromorfik hesaplama, bilgisayar bilimindeki en heyecan verici gelişmelerden biridir. Ancak yapılan bu çalışmalar, gelecekteki daha ileri teknolojiler için sadece bir başlangıç ifade etmektedir. Gelecekte, bu teknoloji belki de beynimizin karmaşıklığını ve verimliliğini tamamen taklit edebilecek sistemleri önümüze çıkaracaktır. Bu, bilgisayarların ve yapay zekanın sınırlarını genişletecek ve belki de hayatımızı daha önce hiç düşünmediğimiz şekillerde dönüştürecektir.

Kaynakça

- Schuman, C. D., Kulkarni, S. R., Parsa, M., Mitchell, J. P., Date, P., & Kay, B. (2022). Opportunities for neuromorphic computing algorithms and applications. Nature Computational Science, 2(1), 10-19.

- Intel Labs. (2021). Taking Neuromorphic Computing to the Next Level with Loihi 2 Technology Brief. https://www.intel.com/content/www/us/en/research/neuromorphic-computing-loihi-2-technology-brief.html

- Intel, (2019, 15 Temmuz). Intel’s Pohoiki Beach, a 64-Chip Neuromorphic System, Delivers Breakthrough Results in Research Tests. https://www.intc.com/news-events/press-releases/detail/61/intels-pohoiki-beach-a-64-chip-neuromorphic-system

- Akopyan, F., Sawada, J., Cassidy, A., Alvarez-Icaza, R., Arthur, J., Merolla, P., Imam, N., Nakamura, Y., Datta, P., Nam, G.-J., Taba, B., Beakes, M., Brezzo, B., Kuang, J. B., Manohar, R., Risk, W. P., Jackson, B., & Modha, D. S. (2015). TrueNorth: Design and Tool Flow of a 65 mW 1 Million Neuron Programmable Neurosynaptic Chip. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 34(10), 1537-1557.

- Hertz, J. (2022, 22 Ağustos). Researchers Worldwide Come Together on “NeuRRAM” Neuromorphic Chip. All About Circuits

- Wan, W., Kubendran, R., Schaefer, C., Eryilmaz, S. B., Zhang, W., Wu, D., Deiss, S., Raina, P., Qian, H., Gao, B., Joshi, S., Wu, H., Wong, H.-S. P., & Cauwenberghs, G. (2022). A compute-in-memory chip based on resistive random-access memory. Nature, 608(7923), 504-512.

- Pei, J., Deng, L., Song, S., Zhao, M., Zhang, Y., Wu, S., Wang, G., Zou, Z., Wu, Z., He, W., Chen, F., Deng, N., Wu, S., Wang, Y., Wu, Y., Yang, Z., Ma, C., Li, G., Han, W., and Shi, L. (2019). Towards artificial general intelligence with hybrid Tianjic chip architecture. Nature, 572(7767), 106-111.

- Terdiman, D. (2014, 7 Ağustos).IBM's TrueNorth processor mimics the human brain. https://www.cnet.com/science/ibms-truenorth-processor-mimics-the-human-brain/

Blog Yazarı