![ربات های نورومورفیک اینتل که مانند انسان فکر می کنند](https://static2.rahnamato.ir/thumbnail/NTFjNzMXQ5bq/-rvH5WIvbiNR17P6zPQ0lRA4lBDtEr53fzYLhj4swhQJvhaj63jsVxhEG8hfWe322KVfu-6BoC7sXCb8W_yHApDC6-bCx0r5K0e435y5X8PYwnZKjpGSkbKQeNimdHFS/NTFjNzMXQ5bq.jpg)
راهنماتو- آزمایشگاه اینتل، با همکاری موسسه فناوری ایتالیا و دانشگاه فنی مونیخ به تازگی رویکرد جدیدی برای یادگیری ربات ها ارائه کرده اند. این رویکرد به ربات ها این توانایی را می دهد که در صورت مواجه شدن با اشیاء و محیط های جدید، در خصوص آنها بیاموزند.
هدف از این رویکرد این است که برنامه های کاربردی آینده مانند دستیارهای رباتیک بتوانند بخوبی با محیط های جدید تعامل داشته باشند. این رباتها میتوانند در بخش تدارکات، مراقبتهای بهداشتی و مراقبت از سالمندان به کار گرفته شوند. این روش با استفاده از یک ربات در یک محیط شبیه سازی شده مورد آزمایش قرار گرفت. ربات توانست با حرکت دادن چشم های خود اجسام را حس کند.
چشم های این ربات از یک دوربین مبتنی بر رویداد یا سنسور دید پویا تشکیل شده بود. چشم ربات با دنبال کردن اشیاء ، رویدادها را جمع آوری کرده و از آنها برای به حرکت درآوردن یک شبکه عصبی در یک تراشه Loihi استفاده می کند. معماری شبکه عصبی spiking در تراشه Loihi ، یادگیری را در یک لایه منفرد از سیناپسهای پلاستیکی بومیسازی میکند و در صورت نیاز با بهکارگیری نورونهای جدید، شکل اشیاء را از زوایای مختلف حدس می زند.
هنگامی که ربات یک شیء جدید را مشاهده می کند، اگر شیء شناخته شده باشد، شبکه عصبی آن را شناخته و بازخورد مربوطه را به کاربر ارائه می دهد. در غیر این صورت شی ء جدید و ویژگی های آن را ذخیره می کند. یولیا ساندامیرسکایا ( Yulia Sandamirskaya ) سرپرست تحقیقات رباتیک آزمایشگاه محاسبات نورومورفیک اینتل و نویسنده ارشد این مقاله می گوید:« وقتی یک انسان شیء جدیدی را می بیند، آن را از زوایای مختلف نگاه می کند و می پرسد چیست؟ بعد از آن در هر شرایطی که با آن شیء مواجه شد، آن را بلافاصله می شناسد. هدف ما استفاده از قابلیتهای مشابه این در ربات های آینده است. این ویژگی ربات ها را قادر می سازد تا خود را با موارد پیشبینینشده سازگار کرده و در کنار انسان ها کار کنند.»
تیم اینتل توانست با استفاده از این روش یادگیری تعاملی مستمر را بر روی تراشه تحقیقاتی خود، Loihi نشان دهد. این تراشه تا 175 برابر انرژی کمتری برای یادگیری یک شی جدید، با سرعت و دقتی مشابه روش های معمولی که روی یک واحد پردازش مرکزی (CPU) اجرا میشوند ، مصرف می کند. تحقیقات این تیم در مقاله « یادگیری مداوم و تعاملی ربات ها: یک رویکرد نورومورفیک» به چاپ رسیده است.