یک ماده مغناطیسی جدید قادر است نحوه یادگیری مغز را که در طول خواب عمیق در آن اتفاق می‌افتد، تقلید کند.
به گزارش ایسنا، پژوهشگران ماده‌ای ابداع کرده‌اند که می‌تواند نحوه ذخیره‌سازی اطلاعات توسط مغز را تقلید کند. این ماده با کپی کردن سیناپس‌های نورون‌ها کار می‌کند و به آن اجازه می‌دهد یادگیری را که در خواب عمیق رخ می‌دهد، تقلید کند.
گروه از پژوهشگران دانشگاه خودگردان بارسلونا (UAB)، این ماده مغناطیسی را با استفاده از نوعی محاسبات به نام محاسبات نورومورفیک ساختند.
محاسبات نورومورفیک یک مفهوم محاسباتی است که از نورون‌های مصنوعی برای تقلید رفتار مغز و عملکرد‌های سیناپسی یا سیگنال‌های ارتباطی نورون‌ها استفاده می‌کند.
همانطور که در این مطالعه بیان شده است، یکی از تقلید‌های عملکرد مغز، انعطاف‌پذیری عصبی است که به توانایی ذخیره یا فراموش کردن اطلاعات بسته به مدت زمان و تکرار تکانه‌های الکتریکی که نورون‌ها را تحریک می‌کنند، گفته می‌شود. این شکل از انعطاف‌پذیری با حافظه و یادگیری در مغز مرتبط است.
این گروه پژوهشی مواد خاصی را کشف کرده‌اند که رفتار سیناپس‌های عصبی را تقلید می‌کنند. این مواد شامل مواد مقاومت حافظه‌دار (حافظه الکترونیکی)، فروالکتریک، مواد حافظه‌ای تغییر حالت دهنده، عایق‌های توپولوژیکی و مواد مغناطیسی یونی هستند.
این گروه اشاره می‌کند که مواد مغناطیسی یونی جدیدترین مواد در نوع خود هستند و از تغییرات خواص مغناطیسی که توسط حرکت یون‌ها یا اتم‌ها در داخل ماده ایجاد می‌شود، تشکیل شده‌اند.
این حرکت با اعمال میدان الکتریکی به یون‌ها ایجاد می‌شود. پژوهشگران می‌دانند که در مواد مغناطیسی یونی چگونه مغناطیس در هنگام اعمال میدان الکتریکی کنترل می‌شود، اما کنترل پیشروی خواص مغناطیسی هنگامی که ولتاژ متوقف می‌شود، دشوار است. این امر تقلید از عملکرد مغز را دشوار می‌کند، مانند فرآیند یادگیری که حتی زمانی که مغز در خواب عمیق است و هیچ تحریک خارجی ندارد، اتفاق می‌افتد.
این مطالعه توسط پژوهشگران دپارتمان فیزیک دانشگاه خودگردان بارسلونا به نام جوردی سورت (Jordi Sort) و انریک منندز (Enric Menéndez)، با همکاری چند موسسه پژوهشی دیگر به نام‌های ALBA Synchrotron، موسسه علوم و نانوتکنولوژی کاتالان (ICN ۲) و موسسه ICMAB انجام شد.
این گروه پژوهشی روش جدیدی برای کنترل تکامل مغناطیسی در حالت‌های تحریک شده و پس از محرک عملکرد مغز پیشنهاد کردند.
در نتیجه، ماده جدیدی ایجاد شد که دارای لایه نازکی از مونونیترید کبالت (CoN) بود. هنگامی که یک میدان الکتریکی اعمال شد، تجمع یون‌های نیتروژن در خط بین لایه و الکترولیت مایع قابل کنترل بود.
پروفسور جوردی سورت می‌گوید: این مواد جدید با حرکت یون‌هایی که توسط ولتاژ الکتریکی کنترل می‌شوند، به روشی مشابه مغز ما و با سرعت‌هایی مشابه با سرعت‌های تولید شده در نورون‌ها، در حد میلی‌ثانیه کار می‌کنند.
وی افزود: ما یک سیناپس مصنوعی ایجاد کرده‌ایم که در آینده ممکن است مبنای یک الگوی محاسباتی جدید باشد، یعنی جایگزینی برای نمونه‌ای که توسط رایانه‌های فعلی استفاده می‌شود.
پژوهشگران کشف کردند که می‌توانند فرآیند‌هایی مانند حافظه، پردازش اطلاعات، بازیابی اطلاعات را با اعمال پالس‌های ولتاژ تقلید کنند. همچنین آن‌ها برای اولین بار می‌توانند به‌روزرسانی کنترل شده اطلاعات را بدون اعمال ولتاژ تقلید کنند.
عامل کنترل مورد استفاده در این مطالعه با اصلاح ضخامت لایه‌های مونونیترید کبالت که سرعت حرکت یون‌ها را تعیین می‌کند و فرکانس پالس‌های ولتاژ ایجاد شد.
تنظیم این مواد اجازه می‌دهد تا خواص مغناطیسی هم در هنگام اعمال ولتاژ و هم در هنگام حذف ولتاژ کنترل شود. هنگامی که محرک ولتاژ کاهش می‌یابد، بر اساس ضخامت ماده و نحوه اعمال ولتاژ می‌توان مغناطش (قطبی‌سازی مغناطیسی) را افزایش یا کاهش داد.
توسعه این ماده جدید، طیف وسیعی از امکانات را برای توابع محاسباتی نورومورفیک باز می‌کند و با استفاده از شبکه‌های عصبی در ادراک، یادگیری و حافظه کارایی ایجاد می‌کند. مثال ارائه شده امکان تقلید یادگیری عصبی است که پس از تحریک مغز، در طول خواب اتفاق می‌افتد. در حال حاضر، این عملکرد نمی‌تواند توسط هیچ ماده عصبی موجود دیگری تقلید شود.
سورت و منندز می‌گویند: زمانی که ضخامت لایه مونو نیترید کبالت زیر ۵۰ نانومتر و با ولتاژ اعمال شده در فرکانس بیش از ۱۰۰ چرخه در ثانیه باشد، ما موفق شده‌ایم یک تابع منطقی اضافی را تقلید کنیم.
پژوهشگران به اهمیت این مطالعه و تقلید از عملکرد مغز اشاره کردند. آن‌ها می‌گویند هنگامی که ولتاژ اعمال می‌شود، دستگاه می‌تواند بدون نیاز به ورودی انرژی اضافی با تقلید از عملکرد‌های سیناپسی که در مغز در طول خواب عمیق انجام می‌شود، طوری برنامه‌ریزی شود تا چیزی را یاد بگیرد یا فراموش کند و پردازش اطلاعات می‌تواند بدون اعمال هیچ سیگنال خارجی ادامه یابد.
