Nöromorfik (sinir formunda, sinir şeklinde) teknoloji, beynimize daha çok benzeyen bilgisayarlar yaratmak için kullanılan bir tekniktir. Bu teknoloji, beynimizin nöronları (sinir hücreleri) ve onları birbirine bağlayan sinapslarla (Sinap, nöronların diğer nöronlara ya da kas veya salgı bezleri gibi nöron olmayan hücrelere mesaj iletmesine olanak tanıyan özelleşmiş bağlantı noktalarıdır) aynı temel yapıya sahip özel bilgisayar yongalarını geliştirmeyi gerektirir.

Nöromorfik bilişim, bir bilgisayarın öğelerinin insan beyni ve sinir sistemindeki yapıya göre modellendiği bir bilgisayar mühendisliği yöntemidir. Terim, hem donanım hem de yazılım bilgi işlem öğelerinin tasarımını ifade eder. Nöromorfik bilişim bazen nöromorfik mühendislik olarak da adlandırılır.

Nöromorfik mühendisler, biyo-ilhamlı bilgisayar sistemleri ve donanımları oluşturmak için bilgisayar bilimi, biyoloji, matematik, elektronik mühendisliği ve fizik dahil olmak üzere çeşitli disiplinlerden yararlanırlar. Beynin biyolojik yapılarının nöromorfik mimarileri çoğunlukla nöronlar ve sinapslardan sonra modellenir. Bunun nedeni sinir bilimcilerin nöronları beynin temel birimleri olarak görmeleridir.

Nöronlar, beynin farklı bölgeleri ile sinir sisteminin geri kalanı arasında bilgi göndermek için kimyasal ve elektronik uyarıları ve birbirlerine bağlanmak için de sinapsları kullanırlar. Nöronlar ve sinapslar, geleneksel bilgisayar sistemlerine göre daha fazla çok yönlü, uyarlanabilir ve enerji açısından verimli bilgi işlemcileridir.

Nöromorfik bilişim, henüz gerçek dünyada uygulamaları olmayan, yeni ortaya çıkan bir bilim alanıdır. Üniversiteler, ABD ordusu ve Intel Labs ve IBM gibi teknoloji şirketleri de dahil olmak üzere çeşitli grupların bu konudaki araştırmaları devam etmektedir.

Basitçe söylemek gerekirse nöromorfik bilişim,  insanlar gibi daha çok "düşünebilen" ve "öğrenebilen", daha az enerji tüketen ve bunu anında yapan bilgisayarlar yaratma tekniğidir.

Diğer yandan nöromorfik bilişim, daha hızlı ve daha çevreci telekomünikasyon teknolojileri için önemli bir potansiyele de sahiptir.

Geçen yıl Temmuz ayında İngiltere’deki King Kolejinin (King's College London, Londra Üniversitesi'ni oluşturan ilk iki kolejinden biridir. İngiltere'nin en eski ve prestijli okullarından biridir) iki mühendisi, kablosuz iletişim için insan beyninden ilham alan bilgi işlem teknolojisi geliştirmeyi amaçlayan bir projeye liderlik edecek.

Amerika Birleşik Devletleri'ndeki Mühendislik ve Fizik Bilimleri Araştırma Konseyi (EPSRC) ve Ulusal Bilim Vakfı (NSF) tarafından finanse edilen bu araştırma, daha hızlı ve enerji açısından daha verimli bir bilgi işlem ve telekomünikasyon hizmeti ve yapay zekanın kablosuz iletişimlere daha iyi entegre edilmesini sağlayacak. Sonuçta yapılan çalışmalar, mobil sağlık, telekomünikasyon ve robotik alanında devrim yaratabilecek nitelikte.

Mühendislik Bölümü'nden Profesör Osvaldo Simeone ve Dr. Bipin Rajendran ise Princeton Üniversitesi'nden Profesör Vincent Poor ile birlikte, 6G şebekelerinde yeni hizmetlerin ortaya çıkmasına temel oluşturmak üzere beyinden ilham alan veya nöromorfik bilişimin telekomünikasyon şebekeleri üzerinden bilgi aktarımında nasıl kullanılabileceğini araştıracak.

Profesör Simeone şunları söylemekte;

"5G'nin küresel kullanıma sunulması, makineler arasında bilgi aktarımını sağlamak için dönüşmekte olan telekom sistemlerinde bir rotasyonu işaret ediyor."

“Geleneksel iletişim sistemleri, genel bit yolları olarak hizmet vermek, bilgileri bitler halinde iletmek ve depolamak üzere tasarlanmıştır. Bu, mevcut telekomünikasyon şebekelerinin yeni durumlara uyum sağlamasını ve kaynak tüketimini uç noktalar arasında değiş tokuş edilen bilgilerin semantiğine (anlamına) göre uyarlamasını imkânsız hale getiriyor."

Dr. Rajendran da şunları ekliyor:

"Nöromorfik sistemler beyindeki sinir ağlarının davranışlarını taklit etmek için tasarlandı. Bir tür sinir ağı modeli olan Spiking-İğnecikli Sinir Ağlarını (İSA) kullanan nöromorfik teknoloji, ani yükselişlerin oluşması yoluyla bilgi aktarıyor."

İğnecikli Sinir Ağlarındaki nöronlar zaman içinde sinyal toplar ve belirli bir eşiğe ulaşıldığında ani bir artış gönderir. Bu şekilde SNN'ler, bilgi yalnızca ihtiyaç duyulduğunda işlendiği için olay odaklı ve verimli hesaplamalara olanak tanır."

Geleneksel bilgisayarların aksine, nöromorfik teknoloji gerçek zamanlı olarak öğrenip uyum sağlayabiliyor. Araştırmacılara göre nöromorfik hesaplamanın bir diğer önemli avantajı da enerji verimliliğidir. Bu iki özellik, nöromorfik bilgi işleme ve telekomünikasyonun entegrasyonunu özellikle umut verici hale getiriyor; gelişmiş yapay zeka araçlarının mobil cihazlar ve sistemlerde kullanılmasına olanak tanıyor, gelişmiş hizmetler sağlıyor ve kullanıcı ihtiyaçlarına uyum sağlıyor.

Bu ileri teknolojiyi geliştirmek için Profesör Simeone ve Dr. Rajendran, aralarında Intel Labs, NVIDIA ve AccelerComm'un da bulunduğu dünya lideri endüstriyel ortaklarla birlikte çalışacak. King'in araştırmacıları uzmanlıklarını nöromorfik iletişimin temel ilkelerini, algoritmalarını ve donanım ortak tasarımını keşfetmek için kullanacak.

Nöromorfik bilgisayarlar

Silikon ve diğer yarı iletken malzemelere dayalı bilgisayar yongalarının geliştirilmesiyle son birkaç on yılda teknolojik bir devrime tanık olduk.

Zamanla bilgisayarlar bir odanın boyutundan tek yongalara kadar küçüldü. Bu eğilim, Gordon Moore'un 1965'te yaptığı, entegre yonga başına bileşen sayısının her iki yılda bir iki katına çıkacağını ve bunun katlanarak daha hızlı bilgisayarlara yol açacağını öngören gözlemine atıfta bulunmak için kullanılan bir terim olan Moore yasası tarafından yönlendirildi.

Ancak daha gelişmiş bilgisayarlar, robotlar, nesnelerin  interneti (IoT) ve akıllı makinelerle birlikte, bilgi işleme talepleri daha da artıyor ve yarı iletken endüstrisi, bilgisayar yongalarını minyatürleştirme yeteneğinin sınırlarına ulaşıyor; gerçekçi olursak bir yonganın üzerine artık bundan fazla  transistörü yerleştirme imkanımız kalmayacak.

Bu nedenle bilgisayar bilimcileri, bilgisayarların insan beyni gibi bilgi işlemek ve dünyayla etkileşime geçmek üzere oluşturulduğu, nöromorfik hesaplama adı verilen yeni bir bilgisayar mimarisi türüne yöneliyor. Bu araştırma alanı giderek daha popüler hale geliyor ve bilgisayarlar ve yapay zeka sistemleri için donanım oluşturmanın ilk adımı olarak kabul ediliyor.

Beyin bilgiyi nasıl saklıyor ve işliyor?

Nöromorfik cihazlara ve uygulamalarına geçmeden önce, bu alana ilham veren biyolojik olguyu tanıtmak gerekli: sinaptik[1] plastisite (sinaptik plastisite, nöronlar arasındaki bağlarda bir değişiklik anlamına gelir). Bu, beynimizin yeni bilgilere yanıt olarak uyum sağlama ve değişme konusundaki inanılmaz yeteneğidir. Bunu daha iyi anlamak için öncelikle kendi “bilgi işlem merkezimizin” yani beynimizin nasıl çalıştığının temel mekanizmalarını tanımlamamız gerekiyor.

Nöronlar beynin haberci hücreleridir. Bunların hepsi, elektronik dürtülerin ve kimyasal sinyallerin iletildiği geniş bir ağda onları birbirine bağlayan bağlantı noktaları olan sinapslar aracılığıyla birbirine bağlıdır. Nöronlar kısa, milisaniyelik uzun voltaj darbeleri olan "ani gerilim yükselmesi" (spikes) aracılığıyla birbirleriyle etkileşime girerler.

Bilgisayarın belleği, daha fazla bellek birimi eklenerek genişletilirken, beyindeki anılar, nöronlar arasındaki yeni ve güçlendirilmiş bağlantılar yoluyla yaratılır. İki nöron daha güçlü bir şekilde bağlandığında, bağlanan sinapsın sinaptik ağırlığının arttığını söyleyebiliriz. Beynimizde birbirleriyle yaklaşık 10¹⁵ sinaps aracılığıyla iletişim kuran  10¹² kadar şaşırtıcı sayıda nöron vardır. Bu bağlantılar ve aralarındaki iletişimin derecesi zamanla ve alınan uyaranların veya ani artışların sayısına göre değişir; bu da beynin değişen çevreye tepki vermesini ve hafızayı oluşturup saklamasını sağlar.

Bu yetenek, sinaptik plastisitenin ardındaki, sinapslar arasındaki bağlantıların zamanla güçlendiği veya zayıfladığı, öğrenme ve hafızada önemli bir rol oynadığı güçlenme ve azalma adı verilen iki ana mekanizmayı anlamanın anahtarıdır. Bu, saniyelerden saatlere veya daha uzun süreye kadar tüm zaman ölçeklerinde gerçekleşebilir.

Sezgisel olarak, örneğin yeni bir beceri öğrenirken meydana gelen daha yüksek frekans artışları, belirli sinapsların potansiyel artışı veya güçlendirilmesi ve dolayısıyla uzun süreli hafızanın kurulmasıyla ilişkilidir. Diğer taraftan, daha düşük frekanslı uyaranlar, öğrenilen bir şeyin unutulmasına benzer şekilde, ilgili sinaptik bağlantıda bir azalmaya ve dolayısıyla bağlantının (veya sinaptik ağırlığın) zayıflamasına neden olacaktır.

Bu açıklama biraz basit gibi görünebilir ancak gerçekte potansiyel artışı ve azalmasının yalnızca spike’ların sıklığına değil, zamanlamaya da bağlı olduğu unutulmamalıdır. Örneğin, bir sinaps aynı anda birden fazla nörondan uyarılar alırsa, sinaptik ağırlık, art arda gelen uyarılara kıyasla çok daha hızlı artar.

Nöromorfik bir bilgisayar nasıl çalışır?

Mevcut bilgisayarlar, ilk olarak 1930'larda Alan Turing tarafından ortaya atılan ilkelere göre çalışan von Neumann mimarisi kullanılarak inşa edilmiştir. Bu kurulum, veri işleme ve bellek birimlerinin ayrı tutulmasını gerektirir; bu da verilerin birinden diğerine taşınması gerektiğinden işlem hızında bir darboğaza yol açar ve gereksiz yere güç tüketimini artırır.

Nöromorfik bilgisayarlar ise hem belleği hem de veri işlemeyi aynı ünitede birleştiren yonga mimarilerini kullanıyor. Donanım düzeyinde bu, yenilikçi tasarımların ve çeşitli malzemelerin yanı sıra yeni bilgisayar bileşenlerini de içeriyor ve bu alanda çok büyük gelişme yaşanıyor.

Dünyanın her yerindeki araştırmacılar, organik ve inorganik materyaller kullanarak, beynin esnekliğini taklit eden yapay nöronlar ve sinapslardan oluşan ağlar tasarlamaya ve inşa etmeye çalışıyorlar. IBM'in TrueNorth'u, BrainScales-2 ve Intel'in Loihi'si gibi hali hazırda mevcut olan büyük ölçekli nöromorfik bilgisayarların çoğu, köklü metal oksit yarı iletken teknolojisine dayalı transistörler kullanıyor.

Transistörler, von Neumann bilgisayarlarındaki en yaygın elektronik yapı taşlarından biridir; bunların yüzlerce farklı türü vardır; en yaygın olanı metal-oksit-yarı iletken alan etkili transistör veya kısaca MOSFET'tir. Bir bilgisayar yongasında, elektrik akımları için esas olarak bir anahtar (ve daha az derecede bir amplifikatör olarak) görevi görürler. Bu şekilde, bir akımın geçişini engeller veya izin verirler, her transistörün ikili 1 veya 0'a eşitlenebilecek açık veya kapalı durumda olmasına izin verirler.

Bu çalışma prensibi bilginin çok kolay saklanmasını ve hesaplanmasını sağlar ve bu nedenle elektronik hafıza hücreleri ve mantık kapıları sayısal dünyamızın yapı taşları haline gelmiştir. Ancak beynimizin elektrik sinyalleri sadece 0 ve 1'lerden ibaret değildir. Örneğin sinapslar arasındaki bağlantı, çeşitli "ağırlıklar" veya güçler şeklinde mevcut olabilir.

Bunu nöromorfik bir bilgisayarda taklit etmek için, bu amaca yönelik çok sayıda cihaz yapılmıştır. Polimer sinaptik transistör adı verilen özel bir yarı iletken transistör, birimler arasındaki sinyalin modüle edilmesinden sorumlu bir "aktif katman" içerecek şekilde inşa edilmiştir. Bu katman genellikle, kesin bileşimi iletkenliği ve dolayısıyla sinyal çıkışını etkileyen iletken bir polimer kullanılarak yapılır.

Transistörler aracılığıyla belirli bir frekansa sahip bir voltajın uygulanması, aktif katmanda değişikliklere neden olur; beyindeki aktivite artışlarına benzer şekilde, elektrik sinyalinde ya çöküntüler ya da güçlenme meydana gelir. Bu esas olarak, frekansı, meydana geldiği zaman, büyüklüğü ve şekli gibi sayısal bilgilerin ani yükselişte kodlandığı plastisiteyi tetikler. İkili değerler ani yükselişlere (veya tam tersi) dönüştürülebilir, ancak bu dönüşümü gerçekleştirmenin kesin yolu hala aktif bir çalışma alanıdır.

Nöromorfik donanım aynı zamanda sadece transistörlerle sınırlı değildir; araştırmacılar, memristörler (Memristor, gerilim ve voltaj arasındaki zaman integral ilişkisini kontrol eden elektronik bileşendir)  kapasitörler, spintronik (Spintronik, magnetoelektronik olarak da bilinen ve elektronların kuantum özelliklerini kullanarak dönüş ve yük durumlarından yararlanmayı temel alan gelişmekte olan bir teknolojidir) cihazlar ve hatta mantarlar kullanarak nöroformik bilişimi gerçekleştirmeye yönelik giderek daha yaratıcı yollar da dahil olmak üzere yapay bileşenler kullanarak beynin mimarisini taklit etmeye  yönelik bazı ilginç girişimleri rapor etmektedir.

Nöromorfik bir bilgisayar nasıl programlanır?

Nöromorfik bilgisayarlar genellikle hesaplama görevlerini gerçekleştirmek için yapay sinir ağını (YSA) kullanır. Pek çok farklı YSA türü arasında, sivri uçlu sinir ağları  özellikle ilgi çekicidir çünkü birbirleriyle "sivri uçlar" adı verilen elektrik sinyalleri aracılığıyla iletişim kuran ve modellerine zamanı dahil eden yapay nöronlara dayalıdırlar. Bu, yapay nöronların sürekli olarak aktif olmaması ve yalnızca alınan ani artışların toplamı belirli bir eşiğe ulaştığında bilgi iletmesi nedeniyle bu tür sistemlerin enerji verimliliğine katkıda bulunur.

Bir beyin ağın faaliyetlerine başlayabilmesi için öncelikle programlanması, yani ağın öğrenmesi gerekmektedir. Bu, ona öğrenebileceği veriler sağlanarak yapılır. YSA türüne bağlı olarak öğrenme yöntemi değişebilir. Örneğin, ağın görevi görüntülerdeki kedileri veya köpekleri tanımlamaksa, gelecekteki görevlerde konuyu bağımsız olarak tanımlayabilmesi için ağa "kedi" veya "köpek" etiketiyle binlerce görüntü beslenebilir. Tanımlama, görüntüdeki her pikselin rengini işlemek için çok büyük miktarlarda zorlu hesaplamalar gerektirir.

Çok sayıda YSA vardır ve doğru olanı seçmek kullanıcının gereksinimlerine bağlıdır. Sivri uçlu sinir ağları, düşük güç tüketimleri nedeniyle ilgi çekici olsa da, esas olarak nöronların karmaşık dinamikleri ve spike operasyonlarının farklılaştırılamayan doğası nedeniyle genel olarak eğitilmesi hala zordur.

Nöromorfik hesaplama nerede kullanılıyor?

Uzmanlar, nöromorfik cihazların geleneksel bilgisayar donanımının yerini almayacağını, ancak özellikle belirli teknik zorlukların ele alınması söz konusu olduğunda ekleme ve tamamlama yapacaklarını tahmin ediyor. Nöromorfik bilgisayarların günümüzde kullanılan herhangi bir programlama dilinde anahtar bir kavram olan Boole mantığını modelleyebildiğine dair raporlar olsa da, bu durum nöromorfik bilgisayarların genel kullanımlı hesaplama yeteneğine de sahip olabileceğini düşündürmektedir.

Ne olursa olsun, nöromorfik hesaplama, beynin enerji verimliliği ve hesaplama süreleri açısından klasik bilgisayarlardan daha iyi performans gösterdiği disiplinler ve uygulamalar için çok ilgi çekici olacaktır.

Bunlar arasında ses veya görüntü tanıma, yapay zekanın (AI) etkili bir şekilde uygulanması gibi bilişsel görevlerin yanı sıra beyin-makine arayüzleri, robot teknolojisi, algılama ve sağlık hizmetleri için yeni fırsatlar sağlanması yer alıyor.

Bu alan nispeten yeni olduğu için hala aşılması gereken zorluklar var, ancak sonuçta nöromorfik hesaplamanın artan popülaritesi ve yenilikçi tasarımları, onu geleneksel bilgisayar mimarileri için umut verici bir tamamlayıcı haline getiriyor.