فراتر از سیلیکون؛ آینده هوش مصنوعی در مولکول‌ ها

به گزارش گروه ترجمه رکنا به نقل از ساینس دیلی، اگرچه این مفهوم جذاب بود پیشرفت عملی بسیار دشوارتر از انتظار بود. درون دستگاه‌های واقعی، مولکول‌ها مانند اجزای ساده و منفرد عمل نمی‌کنند؛ بلکه هنگام حرکت الکترون‌ها، جابجایی یون‌ها، تغییرات در رابط‌ها و حتی تفاوت‌های کوچک ساختاری، تعامل شدیدی با یکدیگر دارند که می‌تواند پاسخ‌های بسیار غیرخطی ایجاد کند. با وجود اینکه پتانسیل الکترونیک مولکولی واضح بود، پیش‌بینی و کنترل رفتار آن‌ها به‌طور قابل اعتماد همچنان غیرقابل دسترس باقی ماند. 

همزمان، محاسبات نورومورفیک، سخت‌افزاری الهام‌گرفته از مغز، هدف مشابهی را دنبال کرده است. هدف یافتن ماده‌ای است که بتواند اطلاعات ذخیره کند، محاسبات انجام دهد و در همان ساختار فیزیکی با زمان واقعی سازگار شود. با این حال، سیستم‌های پیشرفته نورومورفیک امروزی که اغلب بر پایه مواد اکسیدی و سوئیچینگ فیلامنتی هستند، همچنان مانند ماشین‌های مهندسی‌شده دقیق عمل می‌کنند که یادگیری را تقلید می‌کنند، نه موادی که به‌طور طبیعی آن را در خود داشته باشند.

همگرایی 2 مسیر

یک مطالعه جدید از مؤسسه علوم هند (IISc) نشان می‌دهد که این دو تلاش دیرینه ممکن است سرانجام در حال همگرایی باشند.

در یک همکاری میان شیمی، فیزیک و مهندسی برق، تیمی به سرپرستی سریتوش گوسوامی، استادیار مرکز علوم و مهندسی نانو (CeNSE)، دستگاه‌های مولکولی کوچکی توسعه دادند که رفتار آن‌ها را می‌توان به روش‌های مختلف تنظیم کرد. بسته به نحوه تحریک، همان دستگاه می‌تواند به‌عنوان یک عنصر حافظه، گیت منطقی، سلکتور، پردازنده آنالوگ یا سیناپس الکترونیکی عمل کند. «دیدن این سطح از سازگاری در مواد الکترونیکی نادر است»، گوسوامی می‌گوید. «در اینجا طراحی شیمیایی با محاسبات ملاقات می‌کند، نه به‌عنوان یک قیاس، بلکه به‌عنوان یک اصل کاری.»

شیمی چگونه چندین عملکرد را ممکن می‌کند

این انعطاف‌پذیری ناشی از شیمی خاصی است که برای ساخت و تنظیم دستگاه‌ها به کار رفته است. پژوهشگران ۱۷ کمپلکس روثنیوم با طراحی دقیق سنتز کردند و بررسی کردند که چگونه تغییرات کوچک در شکل مولکول و محیط یونی اطراف، رفتار الکترون‌ها را تحت تأثیر قرار می‌دهد. با تنظیم لیگاندها و یون‌های اطراف مولکول‌های روثنیوم، نشان دادند که یک دستگاه می‌تواند پاسخ‌های پویا و متنوعی از خود نشان دهد، از جمله تغییرات بین عملکرد دیجیتال و آنالوگ در طیف گسترده‌ای از مقادیر هدایتی.

سنتز مولکولی توسط پرادیپ گُش، پژوهشگر Ramanujan و سانتی پراساد رات، دانشجوی سابق دکتری در CeNSE انجام شد. ساخت دستگاه به‌سرپرستی پالوی گاور، نویسنده اول و دانشجوی دکتری در CeNSE، انجام شد. گاور می‌گوید: «آنچه من را شگفت‌زده کرد، میزان انعطاف‌پذیری نهفته در همان سیستم بود. با شیمی مولکولی و محیط مناسب، یک دستگاه می‌تواند اطلاعات ذخیره کند، با آن محاسبه کند، یا حتی یاد بگیرد و فراموش کند. این چیزی نیست که از الکترونیک حالت‌جامد انتظار داشته باشید.»

نظریه‌ای که رفتار را توضیح و پیش‌بینی می‌کند

برای درک اینکه چرا این دستگاه‌ها چنین رفتاری دارند، تیم به چیزی نیاز داشت که اغلب در الکترونیک مولکولی غایب بود: یک چارچوب نظری محکم. آن‌ها مدلی بر پایه فیزیک چندبدنی و شیمی کوانتومی توسعه دادند که می‌تواند رفتار دستگاه را مستقیماً از ساختار مولکولی پیش‌بینی کند. با استفاده از این چارچوب، پژوهشگران مسیر حرکت الکترون‌ها در فیلم مولکولی، نحوه اکسایش و کاهش مولکول‌ها و جابجایی یون‌های مخالف در ماتریس مولکولی را ردیابی کردند. این فرآیندها به‌طور مشترک رفتار سوئیچینگ، دینامیک آرامش و پایداری هر حالت مولکولی را تعیین می‌کنند.

به سوی یادگیری تعبیه‌شده در مواد

نتیجه کلیدی این است که سازگاری غیرمعمول این کمپلکس‌ها امکان ترکیب حافظه و محاسبات در همان ماده را فراهم می‌کند. این درِ ورود به سخت‌افزار نورومورفیک را باز می‌کند که یادگیری به‌طور مستقیم در ماده کدگذاری شده است. تیم تحقیقاتی هم‌اکنون در حال کار برای یکپارچه‌سازی این سیستم‌های مولکولی بر روی تراشه‌های سیلیکونی است تا سخت‌افزار هوش مصنوعی آینده‌ای ایجاد کند که هم از نظر انرژی کارآمد باشد و هم به‌طور ذاتی هوشمند.

سریبراتا گوسوامی، پژوهشگر میهمان در CeNSE و نویسنده همکار مطالعه که طراحی شیمیایی را هدایت کرده است، می‌گوید: «این کار نشان می‌دهد که شیمی می‌تواند معمار محاسبات باشد، نه صرفاً تأمین‌کننده آن.»