ماشین‌های پیچیده: کشف راز مواد یادگیرنده

یادگیری ماشین: فراتر از دنیای دیجیتال

فکر کردن به یادگیری ماشین به عنوان یک پدیده کاملاً دیجیتال که تنها با کمک کامپیوترها و الگوریتم‌هایی که می‌توانند رفتارهای مشابه مغز را تقلید کنند، آسان است. اما ماشین‌های اولیه *آنالوگ* بودند و اکنون، ***مجموعه‌ای کوچک اما در حال رشد*** از تحقیقات نشان می‌دهد که سیستم‌های مکانیکی نیز قادر به «یادگیری» هستند. فیزیک‌دانان دانشگاه میشیگان آخرین ورودی را به این حوزه ارائه داده‌اند.

تیم دانشگاه میشیگان به رهبری شوافیفنگ لی و شیاومینگ مائو الگوریتمی را طراحی کرده‌اند که ***چارچوب ریاضی*** برای نحوه یادگیری در شبکه‌های عصبی مکانیکی به نام «لتیس» را فراهم می‌کند. لی گفت: “ما مشاهده می‌کنیم که مواد می‌توانند به تنهایی وظایفی را یاد بگیرند و محاسباتی انجام دهند.” محققان نشان داده‌اند که چگونه این الگوریتم می‌تواند برای «آموزش» مواد به منظور حل مسائلی مانند ***شناسایی گونه‌های مختلف*** گیاهان زنبق استفاده شود. روزی این مواد می‌توانند ساختارهایی ایجاد کنند که قادر به حل مسائل پیشرفته‌تری باشند، مانند ***بال‌های هواپیما*** که شکل خود را برای شرایط مختلف باد بهینه می‌کنند، بدون اینکه انسان‌ها یا کامپیوترها دخالت کنند.

این آینده هنوز دور است، اما بینش‌های حاصل از تحقیقات جدید دانشگاه میشیگان می‌تواند الهام‌بخش فوری‌تری برای محققان در خارج از این حوزه باشد، به گفته لی، محقق پسادکترا. الگوریتم بر اساس رویکردی به نام «بازپراکندگی» طراحی شده است که برای ***یادگیری*** در سیستم‌های دیجیتال و اپتیکی استفاده شده است. به گفته محققان، به دلیل ***بی‌توجهی ظاهری*** الگوریتم به نحوه انتقال اطلاعات، این الگوریتم می‌تواند به کشف‌های جدید در مورد نحوه یادگیری سیستم‌های زنده کمک کند.

لی گفت: “ما موفقیت نظریه بازپراکندگی را در بسیاری از سیستم‌های فیزیکی مشاهده می‌کنیم. فکر می‌کنم این ممکن است به زیست‌شناسان کمک کند تا درک بهتری از نحوه کار شبکه‌های عصبی بیولوژیکی در انسان‌ها و دیگر گونه‌ها پیدا کنند.” لی و مائو، استاد دپارتمان فیزیک دانشگاه میشیگان، مطالعه جدید خود را در نشریه Nature Communications منتشر کردند.

مبانی شبکه‌های عصبی مکانیکی (MNNs)

ایده استفاده از اشیاء فیزیکی در محاسبات دهه‌هاست که وجود دارد. اما تمرکز بر روی ***شبکه‌های عصبی مکانیکی*** جدیدتر است و به موازات پیشرفت‌های اخیر در ***هوش مصنوعی***، علاقه به آن افزایش یافته است. بیشتر این پیشرفت‌ها، و به‌ویژه قابل مشاهده‌ترین آن‌ها، در حوزه فناوری کامپیوتر بوده است. صدها میلیون نفر هر هفته به چت‌بات‌های مبتنی بر هوش مصنوعی، مانند ChatGPT، برای کمک در نوشتن ایمیل‌ها، برنامه‌ریزی تعطیلات و موارد دیگر مراجعه می‌کنند. این دستیارهای هوش مصنوعی بر اساس شبکه‌های عصبی مصنوعی طراحی شده‌اند.

اگرچه عملکرد آن‌ها پیچیده و عمدتاً از دید پنهان است، لی گفت که آن‌ها یک تشبیه مفید برای درک شبکه‌های عصبی مکانیکی فراهم می‌کنند. هنگام استفاده از یک چت‌بات، کاربر یک فرمان یا سؤال ورودی را تایپ می‌کند که توسط یک الگوریتم شبکه عصبی در حال اجرا بر روی یک شبکه کامپیوتری با قدرت پردازش بالا تفسیر می‌شود. بر اساس آنچه که آن سیستم از مواجهه با حجم زیادی از داده‌ها آموخته است، پاسخی تولید می‌کند که بر روی صفحه نمایش کاربر ظاهر می‌شود.

یک شبکه عصبی مکانیکی (MNN) دارای همان عناصر اساسی است. برای مطالعه لی و مائو، ورودی یک وزنه متصل به یک ماده بود که به عنوان سیستم پردازش عمل می‌کند. خروجی، تغییر شکل ماده به دلیل وزنه‌ای بود که بر روی آن عمل می‌کرد. لی گفت: “نیرو اطلاعات ورودی است و خود مواد مانند پردازنده عمل می‌کند و تغییر شکل مواد خروجی یا پاسخ است.”

برای این مطالعه، مواد «پردازنده» شامل لتیس‌های سه‌بعدی چاپ شده از جنس لاستیک بودند که از مثلث‌های کوچکی تشکیل شده بودند که شکل‌های بزرگتری از ذوزنقه‌ها را ایجاد می‌کردند. این مواد با تنظیم سفتی یا انعطاف‌پذیری بخش‌های خاصی از آن لتیس یاد می‌گیرند.

تحقق کاربردهای آینده‌نگر با شبکه‌های مواد هوشمند

برای تحقق کاربردهای آینده‌نگر مانند بال‌های هواپیما که ویژگی‌های خود را به‌طور خودکار تنظیم می‌کنند، شبکه‌های مواد هوشمند (MNNs) باید قادر باشند این بخش‌ها را به‌طور مستقل تنظیم کنند. در حال حاضر، مواد مناسب برای این کار در حال تحقیقات هستند، اما هنوز نمی‌توان آن‌ها را از کاتالوگ سفارش داد. بنابراین، لی با چاپ نسخه‌های جدیدی از یک پردازنده با بخش‌های ضخیم‌تر یا نازک‌تر، این رفتار را مدل‌سازی کرد تا پاسخ مطلوب را به‌دست آورد. مهم‌ترین دستاورد کار لی و مائو، الگوریتمی است که به یک ماده می‌آموزد چگونه این بخش‌ها را تطبیق دهد.

چگونه شبکه‌های مواد هوشمند خود را آموزش دهیم

اگرچه ریاضیات پشت نظریه بازگشت‌پذیری (backpropagation) پیچیده است، اما خود ایده بسیار شهودی است. لی گفت: «برای شروع این فرآیند، باید بدانید ورودی شما چیست و چگونه می‌خواهید سیستم پاسخ دهد. سپس ورودی را اعمال کرده و مشاهده می‌کنید که پاسخ واقعی چگونه با آنچه مطلوب است، متفاوت است. شبکه سپس این تفاوت را می‌گیرد و از آن برای آگاهی از چگونگی تغییر خود استفاده می‌کند تا در مراحل بعدی به خروجی مطلوب نزدیک‌تر شود.»

از نظر ریاضی، تفاوت بین خروجی واقعی و خروجی مطلوب به تابع ضرر (loss function) مربوط می‌شود. با اعمال یک عملگر ریاضی به نام گرادیان (gradient) به این تابع ضرر، شبکه یاد می‌گیرد که چگونه تغییر کند. لی نشان داد که اگر بدانید به دنبال چه چیزی هستید، MNNهای او این اطلاعات را ارائه می‌دهند. او گفت: «این شبکه می‌تواند به‌طور خودکار گرادیان را به شما نشان دهد» و افزود که در این مطالعه از دوربین‌ها و کدهای کامپیوتری نیز کمک گرفته است. «این واقعاً راحت و بسیار کارآمد است.»

به عنوان مثال، فرض کنید یک شبکه از بخش‌هایی با ضخامت و سختی برابر تشکیل شده است. اگر وزنه‌ای از یک گره مرکزی آویزان کنید — نقطه‌ای که بخش‌ها به هم متصل می‌شوند — گره‌های همسایه در سمت چپ و راست به یک اندازه پایین می‌روند، زیرا سیستم متقارن است. اما فرض کنید می‌خواهید شبکه‌ای ایجاد کنید که نه تنها پاسخ نامتقارن بلکه بیشترین میزان پاسخ نامتقارن را ارائه دهد. به عبارت دیگر، می‌خواهید شبکه‌ای بسازید که حداکثر تفاوت در حرکت بین گره‌ای در سمت چپ وزنه و گره‌ای در سمت راست آن را ارائه کند. لی و مائو از الگوریتم خود و یک تنظیم آزمایشی ساده برای ایجاد شبکه‌ای استفاده کردند که این راه‌حل را ارائه می‌دهد. (شباهت دیگری به زیست‌شناسی این است که این رویکرد تنها به آنچه اتصالات نزدیک انجام می‌دهند، اهمیت می‌دهد، مشابه نحوه عملکرد نورون‌ها، لی گفت.)

با یک قدم جلوتر، محققان همچنین مجموعه‌های داده بزرگی از نیروهای ورودی ارائه کردند، مشابه آنچه در یادگیری ماشین بر روی کامپیوترها انجام می‌شود، تا MNNهای خود را آموزش دهند. در یکی از این مثال‌ها، نیروهای ورودی مختلف با اندازه‌های متفاوتی از گلبرگ‌ها و برگ‌ها در گیاهان زنبق مطابقت داشتند که ویژگی‌های تعیین‌کننده‌ای هستند که به تفکیک گونه‌ها کمک می‌کنند. لی سپس توانست یک گیاه با گونه ناشناخته را به شبکه آموزش‌دیده ارائه دهد و آن را به‌درستی طبقه‌بندی کند.

لی در حال حاضر در حال کار بر روی افزایش پیچیدگی سیستم و مسائلی است که می‌تواند با استفاده از MNNهایی که امواج صوتی را حمل می‌کنند، حل کند. او گفت: «ما می‌توانیم اطلاعات بسیار بیشتری را در ورودی کدگذاری کنیم. با امواج صوتی، شما دامنه، فرکانس و فاز دارید که می‌تواند داده‌ها را کدگذاری کند.» در عین حال، تیم دانشگاه میشیگان همچنین در حال مطالعه کلاس‌های وسیع‌تری از شبکه‌ها در مواد، از جمله پلیمرها و تجمع‌های نانوذره‌ای است. با این مواد، آن‌ها می‌توانند سیستم‌های جدیدی ایجاد کنند که بتوانند الگوریتم خود را اعمال کرده و به سمت دستیابی به ماشین‌های یادگیری کاملاً خودکار حرکت کنند. این کار توسط دفتر تحقیقات دریایی و مرکز علوم ملی بنیاد ملی علوم برای سیستم‌های ذرات پیچیده، یا COMPASS، پشتیبانی می‌شود.