پژوهشگران دانشگاه صنعتی شریف، موفق به استفاده از ساختارهای حافظه آنالوگ در مقیاس نانو شدند. از روش ارائه شده می‌توان جهت پیاده‌سازی سخت‌افزاری و بهینه‌سازی سیستم‌های هوش مصنوعی استفاده نمود. این تحقیق، قدمی در جهت دستیابی به پردازشگرهای هوشمند آنالوگ است که، به جهت برخورداری از مقیاس نانو، از توان محاسباتی بسیار بالایی برخوردار خواهند بود.
قدمی دیگر برای دستیابی به پردازشگرهای هوشمند آنالوگ در مقیاس نانو
پژوهشگران دانشگاه صنعتی شریف، موفق به استفاده از ساختارهای حافظه آنالوگ در مقیاس نانو شدند. از روش ارائه شده می‌توان جهت پیاده‌سازی سخت‌افزاری و بهینه‌سازی سیستم‌های هوش مصنوعی استفاده نمود. این تحقیق، قدمی در جهت دستیابی به پردازشگرهای هوشمند آنالوگ است که، به جهت برخورداری از مقیاس نانو، از توان محاسباتی بسیار بالایی برخوردار خواهند بود.
حافظه های به کار رفته در این سیستم، غیر فرار و در مقیاس نانو هستند. نانو ساختار ارائه شده دارای ویژگی‌های به‌خصوصی مانند، سادگی سیستم محاسباتی، توان مصرفی پایین، سرعت بالای پردازش داده و قابلیت پیاده‌سازی در ابعاد بسیار کوچک است. ساخت سیستم‌های پیچیده از طریق اتصال سیستم‌های پایه، وجود سخت‌افزار سازگار با روش یادگیری ارائه شده، مقاوم بودن سیستم در برابر نویز و نواقص سخت‌افزاری از دیگر توانایی‌های سیستم ارائه شده است.
از روش ارائه شده می‌توان جهت پیاده‌سازی سخت‌افزاری و بهینه سیستم‌های هوش مصنوعی استفاده نمود. با توجه به ویژگی‌های مطلوب بیان شده، این سیستم می‌تواند کاربردهای بسیاری در صنایع و علوم گوناگون چون رباتیک، گوشی‌های موبایل هوشمند، سیستم‌های پردازش سیگنال صوت و تصویر و بازسازی سیستم پردازش اطلاعات مغز انسان داشته باشند.
دکتر فرنود مریخ بیات، دکتری الکترونیک دیجیتال از دانشگاه صنعتی شریف، در مورد نتایج این تحقیقات افزود: «از جمله نتایج این کار تحقیقاتی می‌توان به، استفاده از نانوساختارهای متقاطع ممریستوری در نقش حافظه‌های آنالوگ، جهت ذخیره‌سازی رابط‌های فازی و ارائه روشی نوین جهت انجام استنتاج‌های فازی در این ساختارها اشاره نمود. این تحقیق همچنین نشان می‌دهد که، چگونه می‌توان محاسبات دقیق به‌کار رفته در کاربردهایی مانند رباتیک را، از طریق محاسبات فازی دارای عدم قطعیت، انجام داد. بررسی ارتباط و یافتن شباهت بین نحوه‌ی پردازش اطلاعات در نانو ساختار فازی ارائه شده و پردازش اطلاعات در دستگاه عصبی موجودات زیست شناختی، از دیگر نتایج حاصل شده است.»
وی در مورد روش این تحقیقات بیان کرد: «در ابتدا رابط‌های فازی که معمولاً ذاتی پیوسته دارند، به معادل گسسته‌شان تبدیل شد. نحوه‌ی تلفیق الگوریتم‌های یادگیری با روش استنتاج پیاده‌سازی شده، از دیگر موضوعات مورد بررسی بود. روش‌های یادگیری نیز به‌گونه‌ای طراحی گردید، که می‌توان آن‌ها را به‌سادگی بر روی نانو ساختارهای ممریستوری پیاده‌سازی نمود. در واقع در این مرحله از تحقیق، با تلفیق نانو ساختارهای ممریستوری و مدارهای ساخته شده با استفاده از تقویت‌کننده‌های عملیاتی، سیستمی ارائه گردیده است که، از طریق انجام عمل ساده‌ای مانند ضرب بردار مربوط به توابع عضویت داده‌های فازی ورودی در ماتریس نمایشگر رابط فازی، می‌تواند به انجام استنتاج‌های فازی بپردازد. مرحله‌ی نهایی این تحقیق به تبیین ارتباط بین روش استنتاج فازی ارائه شده و نحوه‌ی پردازش اطلاعات در دستگاه عصبی می‌پردازد.»
نتایج این کار تحقیقاتی که به دست دکتر فرنود مریخ بیات و دکتر سعید باقری شورکی از دانشگاه صنعتی شریف صورت گرفته است، در مجله Cybernetics, IEEE Transaction (جلد ۴۳، شماره ۱، فوریه سال۲۰۱۳، صفحات ۲۶۹–۲۸۵) منتشرشده است.
حافظه های به کار رفته در این سیستم، غیر فرار و در مقیاس نانو هستند. نانو ساختار ارائه شده دارای ویژگی‌های به‌خصوصی مانند، سادگی سیستم محاسباتی، توان مصرفی پایین، سرعت بالای پردازش داده و قابلیت پیاده‌سازی در ابعاد بسیار کوچک است. ساخت سیستم‌های پیچیده از طریق اتصال سیستم‌های پایه، وجود سخت‌افزار سازگار با روش یادگیری ارائه شده، مقاوم بودن سیستم در برابر نویز و نواقص سخت‌افزاری از دیگر توانایی‌های سیستم ارائه شده است.
از روش ارائه شده می‌توان جهت پیاده‌سازی سخت‌افزاری و بهینه سیستم‌های هوش مصنوعی استفاده نمود. با توجه به ویژگی‌های مطلوب بیان شده، این سیستم می‌تواند کاربردهای بسیاری در صنایع و علوم گوناگون چون رباتیک، گوشی‌های موبایل هوشمند، سیستم‌های پردازش سیگنال صوت و تصویر و بازسازی سیستم پردازش اطلاعات مغز انسان داشته باشند.
دکتر فرنود مریخ بیات، دکتری الکترونیک دیجیتال از دانشگاه صنعتی شریف، در مورد نتایج این تحقیقات افزود: «از جمله نتایج این کار تحقیقاتی می‌توان به، استفاده از نانوساختارهای متقاطع ممریستوری در نقش حافظه‌های آنالوگ، جهت ذخیره‌سازی رابط‌های فازی و ارائه روشی نوین جهت انجام استنتاج‌های فازی در این ساختارها اشاره نمود. این تحقیق همچنین نشان می‌دهد که، چگونه می‌توان محاسبات دقیق به‌کار رفته در کاربردهایی مانند رباتیک را، از طریق محاسبات فازی دارای عدم قطعیت، انجام داد. بررسی ارتباط و یافتن شباهت بین نحوه‌ی پردازش اطلاعات در نانو ساختار فازی ارائه شده و پردازش اطلاعات در دستگاه عصبی موجودات زیست شناختی، از دیگر نتایج حاصل شده است.»
وی در مورد روش این تحقیقات بیان کرد: «در ابتدا رابط‌های فازی که معمولاً ذاتی پیوسته دارند، به معادل گسسته‌شان تبدیل شد. نحوه‌ی تلفیق الگوریتم‌های یادگیری با روش استنتاج پیاده‌سازی شده، از دیگر موضوعات مورد بررسی بود. روش‌های یادگیری نیز به‌گونه‌ای طراحی گردید، که می‌توان آن‌ها را به‌سادگی بر روی نانو ساختارهای ممریستوری پیاده‌سازی نمود. در واقع در این مرحله از تحقیق، با تلفیق نانو ساختارهای ممریستوری و مدارهای ساخته شده با استفاده از تقویت‌کننده‌های عملیاتی، سیستمی ارائه گردیده است که، از طریق انجام عمل ساده‌ای مانند ضرب بردار مربوط به توابع عضویت داده‌های فازی ورودی در ماتریس نمایشگر رابط فازی، می‌تواند به انجام استنتاج‌های فازی بپردازد. مرحله‌ی نهایی این تحقیق به تبیین ارتباط بین روش استنتاج فازی ارائه شده و نحوه‌ی پردازش اطلاعات در دستگاه عصبی می‌پردازد.»
نتایج این کار تحقیقاتی که به دست دکتر فرنود مریخ بیات و دکتر سعید باقری شورکی از دانشگاه صنعتی شریف صورت گرفته است، در مجله Cybernetics, IEEE Transaction (جلد ۴۳، شماره ۱، فوریه سال۲۰۱۳، صفحات ۲۶۹–۲۸۵) منتشرشده است.
