Beyin Hücrelerine Benzeyen Yeni Nano Cihazlar Virüslerdeki Mutasyonları Tespit Edecek

Fotoğraf: Yapay nöronun elektron mikrografisi. Niyobyum oksit tabakası (sarı tabaka), cihaza nörona benzeyen davranışlar kazandırır. Kredi: Dr. R. Stanley Williams

Nature dergisinin Eylül sayısında Texas A&M Üniversitesi, Hewlett Packard Laboratuvarları ve Stanford Üniversitesi’nden bilim insanları bir beyin hücresiyle neredeyse aynı şekilde hareket eden yeni bir nano cihaz tasarladı. Ayrıca, bu yapay beyin hücrelerinin sorunları ileride beyne benzer bir şekilde çözebilecek karmaşık ağlar oluşturmak için birleştirilebileceğini gösterdiler.

Çalışmanın uzman yazarı, Elektrik ve Bilgisayar Mühendisliği Bölümü Profesörü Dr. R. Stanley Williams, “Bu, nano ölçekli tek bir cihazla nöronları taklit edebildiğimiz ilk çalışmadır, aksi takdirde yüzlerce transistöre ihtiyaç duyardık” dedi. “Ayrıca, en karmaşık dijital teknolojiler için bile hesaplama açısından oldukça yoğun olan gerçek dünyadaki bir sorunu çözmek için yapay nöronlarımızla geliştirdiğimiz ağları verimli bir şekilde kullanmayı başarabildik.”

Araştırmacılar, özellikle beyinden ilham alan sistemlerinin bir virüsteki olası mutasyonları belirleyebildiğini kanıtladılar. Bu, genetik çeşitlilik sergileyen suşlar için aşıların ve ilaçların etkinliğinin artırılmasında oldukça önemlidir.

Geçtiğimiz yıllarda, transistör teknolojisindeki gelişmeler sayesinde dijital teknolojiler daha küçük ve daha hızlı bir hale geldi. Bununla birlikte, bu kritik devre bileşenleri ne kadar küçük tasarlanabilecekleri konusundaki sınırlarını zorlamaktadır ve transistörlerin yerlerini alamayacak olsa bile onları tamamlayabilecek yeni bir teknolojinin geliştirilmesi için küresel bir çaba harcamaktadır.

Bu “küçültme” problemine ek olarak, transistör tabanlı teknolojilerin başka zorlukları da vardır. Örneğin, büyük veri kümeleriyle sunulduklarında en yuğun çözümleri bulmakta zorlanırlar.

Hewlett Packard Laboratuvarları araştırmacısı ve makalenin baş yazarı Dr. Suhas Kumar, “Ofisinizden evinize giden en kısa rotayı bulmanın tanıdık bir örneğini ele alalım. Sadece bir durak gitmeniz gerekiyorsa, bu çözmesi oldukça kolay bir sorundur. Ancak, herhangi bir sebeple 15 durak gitmeniz gerekiyorsa , seçim yapmanızı sağlayacak 43 milyar yol var” dedi. “Bu artık bir optimizasyon problemidir ve mevcut bilgisayarlar bu sorunu çözmek için oldukça yetersizdir.”

Kumar, dijital makineler için zorlu başka bir görevin de bakış açısına bakılmaksızın bir yüzü olduğu gibi tanımlamak veya seslerin içinde gömülü başka bir sesi ayırt etmek için modellerin tanımlanması olduğunu ekledi.

Beyinler sadece optimizasyon ve tanıma problemlerinde hızlı değildir. Aynı zamanda, dijital sistemlerden çok daha az enerji tüketir. Williams, beynin bu tür problemleri nasıl çözdüğünü taklit ederek, beyinden ilham alan veya nöromorfik sistemlerin mevcut dijital teknolojilerin karşılaştığı bazı hesaplama engellerini potansiyel olarak aşabileceğini gösterdi.

Araştırmacılar, beynin veya bir nöronun temel yapı taşının oluşturulabilmesi için her biri birbirinden farklı işlevlere sahip inorganik malzemelerden nano ölçekli yapay bir cihaz tasarladı. Ancak, gerçek sihrin niyobyum dioksit bileşiğinden oluşan ince bir tabakanın üzerinde gerçekleştiğini söylediler.

Fotoğraf: Birbirine bağlı yapay nöron ağları, viral çeyrek tür rekonstrüksiyonu problemini çözebilir. Kredi: Texas A&M Üniversitesi, Mühendislik Fakültesi

Bu bölgeye küçük bir voltaj uygulandığında sıcaklık artmaya başlar. Ancak, sıcaklık kritik bir değere ulaştığında niyobyum dioksit hızlı bir değişime uğrar ve yalıtkandan iletkene dönüşür. Elektrik akımını iletmeye başladığında sıcaklık düşer ve niyobyum dioksit tekrar yalıtkan hale gelir.

Bu ileri-geri geçişler yapay cihazların biyolojik nöronlar tarafından üretilen elektriksel ani yükselişlere veya aksiyon potansiyellerine benzer bir elektrik akımı üretmesini sağlar. Ayrıca, araştırmacılar yapay nöronlardaki voltajı değiştirerek beyinde gözlemlenen nöronal davranışları taklit etmeyi başardı.

Kumar, “Nöronların dinamik davranışını yakalamak, beyinden ilham alan bilgisayarlar için oldukça önemli bir hedeftir” dedi. “Tek bir elektrik bileşenini kullanarak transistör tabanlı devrelere kıyasla çok daha düşük enerjilerde 15 farklı nöronal ateşleme profilini yeniden oluşturabildik.”

Araştırmacılar, geliştirdikleri yapay nöronlarının dünya üzerindeki problemleri çözüp çözemeyeceğini değerlendirmek için ilk olarak birbirinden farklı 24 nano ölçekli cihazı iyi bilinen sinir yollarına sahip korteks ve talamus arasındaki bağlantılardan ilham alan bir ağda bağladılar. Daha sonra, bu sistemi referans bir genom olmadan bir virüsün mutantlarının tanımlandığı viral çeyrek tür rekonstrüksiyonu probleminin yapay bir versiyonunu çözmek için kullandılar.

Araştırmacılar, geliştirdikleri ağı veri girişi aracılığıyla kısa genlere tanıttı. Daha sonra, ağın içindeki yapay nöronların arasındaki bağlantıların gücünü programlayarak bu genetik parçaların birleştirilmesiyle ilgili temel kuralları belirlediler. Ağ için tanımlanan yapboz benzeri bu görev, virüsün genomunda meydana gelen mutasyonları bu kısa genetik kısımlara göre listelemekti.

Williams ve Kumar, bu sonucun geliştirdikleri nöroformik sistemlerinin beyinle ilgili görevleri hızlı bir şekilde daha az enerji tüketerek yerine getirilebileceğini kanıtladığını belirtti.

Araştırmacılar, bir sonraki adımlarında insan beyninin öğrenme ve hafıza gibi bazı ayırt edici özelliklerini beyin benzeri ağlarının diğer ateşleme modellerini birleştirerek çözebilecekleri problem sayısını artırmayı hedeflemektedir. Bununla birlikte, teknolojilerinin ticari ölçekte kullanılabilmesini sağlamak amacıyla donanımla ilgili zorlukları ele almayı planlamaktadırlar.

Williams, “Ulusal borcu hesaplamak veya bazı büyük ölçekli simülasyonları çözmek, insan beyninin iyi ve yeterli olduğu bir konu değildir ve bu yüzden de bilgisayarlara sahibiz. Beynin son derece iyi olduğu problemleri çözme konusundaki nöronal bağlantıları hakkındaki bilgilerimizden faydalanabiliriz” dedi. “Problemin türüne bağlı olarak transistörlü dijital bilgisayarları kullanan geleneksel yöntemlerle hesaplama yapmanın daha farklı ve daha verimli yollarının olduğunu bulduk.”

Kaynak: phys.org