محاسبات نورومورفیک

محاسبات نورومورفیک فرآیندی است که در آن کامپیوترها به گونه‌ای طراحی و مهندسی می‌شوند که ساختار و عملکرد مغز انسان را شبیه‌سازی کنند. با استفاده از نورون‌ها و سیناپس‌های مصنوعی، کامپیوترهای نورومورفیک شیوه پردازش اطلاعات در مغز انسان را شبیه‌سازی کرده و در مقایسه با کامپیوترهای متداول امروزی امکان حل سریع‌تر و کارآمدتر مسائل، تشخیص الگوها و تصمیم‌گیری را فراهم می‌سازند. این حوزه هنوز کاربردهای عملی زیادی در دنیای واقعی ندارد و بیشتر در سطح تحقیقات دانشگاهی، دولتی و شرکت‌های بزرگ فناوری مانند IBM و آزمایشگاه‌های اینتل دنبال می‌شود. با این حال، این فناوری به خصوص در حوزه‌هایی مثل محاسبات لبه (Edge Computing)، وسایل نقلیه خودران و بینایی ماشین (Computer Vision) که به سرعت و بهره‌وری هوش مصنوعی وابسته‌اند پتانسیل زیادی دارد.

به گفته پرفسور کوابنا بواهِن (Kwabena Boahen)، استاد دانشگاه استنفورد و متخصص در زمینه محاسبات نورومورفیک، امروزه مقیاس بزرگ‌ترین محاسبات هوش مصنوعی هر سه تا چهار ماه دو برابر می‌شود. طبق قانون مور، قدرت محاسباتی هر دو سال یک‌بار دو برابر می‌شود. با این حال یافته‌های اخیر دانشمندان و متخصصین حوزه محاسبات نورومورفیک نشان داده‌است که رشد این حوزه سرعتی به مراتب بالاتر از پیش‌بینی قانون مور دارد. بسیاری از کارشناسان معتقدند که محاسبات نورومورفیک می‌تواند راهی برای عبور از این محدودیت‌ها فراهم کرده و رویکردی پیشرفته‌تر برای پردازش داده‌ها ارائه دهد.

کامپیوتر نورومورفیک چگونه کار می‌کند؟

برای درک نحوه عملکرد محاسبات نورومورفیک، ابتدا باید با فرآیندهای شناختی‌ای که این فناوری سعی در شبیه‌سازی آن‌ها دارد، آشنا شویم.

به گفته دنیل برون (Daniel Bron)، معماری‌های نورومورفیک اغلب بر اساس نئوکورتکس مغز مدل‌سازی می‌شوند. نئوکورتکس، بخشی از مغز است که عملکردهای شناختی سطح بالا مانند درک حسی، فرمان‌های حرکتی، استدلال فضایی و زبان در آن رخ می‌دهند. ساختار لایه‌لایه و ارتباطات پیچیده نئوکورتکس، نقش حیاتی در توانایی آن برای پردازش اطلاعات پیچیده و امکان‌پذیر ساختن تفکر انسانی دارد.

نئوکورتکس از نورون‌ها و سیناپس‌هایی تشکیل شده است که اطلاعات را با سرعتی تقریباً آنی و بهره‌وری خارق‌العاده در مغز منتقل می‌کنند. برای مثال، این همان سیستمی است که باعث می‌شود اگر تصادفا روی میخ تیزی قدم بگذارید، پای شما فوراً عقب کشیده شود.

کامپیوتر‌های نورومورفیک سعی دارند این سطح از کارایی را بازآفرینی کنند. آن‌ها این کار را از طریق ایجاد شبکه‌های عصبی اسپایکی (Spiking Neural Networks) انجام می‌دهند. این شبکه‌ها از اتصال نورون‌های اسپایکی که مانند نورون‌های مغز انسان، اطلاعات را به‌صورت پالس‌های الکتریکی پردازش می‌کنند، به وجود می‌آیند. این نورون‌ها از طریق سیناپس‌های مصنوعی به هم متصل می‌شوند و سیگنال‌های الکتریکی را بین یکدیگر رد و بدل می‌کنند. در واقع، یک شبکه عصبی اسپایکی نسخه سخت‌افزاری یک شبکه عصبی مصنوعی است و مجموعه‌ای از الگوریتم‌ها که در رایانه‌های معمولی اجرا می‌شوند را با منطق تفکر مغز انسان شبیه‌سازی می‌کند.

تفاوت محاسبات نورومورفیک با محاسبات سنتی

معماری محاسبات نورومورفیک با معماری کامپیوترهای سنتی (معماری فون نیومان) که امروزه به‌طور گسترده مورد استفاده قرار می‌گیرند، تفاوت اساسی دارد. در کامپیوترهای فون نیومان، پردازش اطلاعات به‌صورت دودویی انجام می‌شود و همه چیز با "0" و "1" سنجیده می‌شوند. این سیستم‌ها به‌طور ذاتی ترتیبی (sequential) هستند و میان پردازش داده‌ها توسط CPU و ذخیره‌سازی حافظه در RAM جدایی مشخصی وجود دارد.

در مقابل، کامپیوتر‌های نورومورفیک می‌توانند میلیون‌ها نورون و سیناپس مصنوعی داشته باشند که به‌طور هم‌زمان اطلاعات مختلف را پردازش می‌کنند. این ویژگی باعث می‌شود سیستم از نظر محاسباتی گزینه‌های بسیار متنوع‌تری نسبت به کامپیوتر‌های فون نیومان داشته باشد. همچنین در محاسبات نورومورفیک، حافظه و پردازش به‌صورت یکپارچه‌تری عمل می‌کنند و بنابراین سرعت انجام وظایف سنگین داده‌محور افزایش می‌یابد.

کامپیوترهای مبتنی بر معماری فون نیومان دهه‌هاست که استاندارد صنعت محسوب می‌شوند و در کاربردهایی از پردازش متن گرفته تا شبیه‌سازی‌های علمی به‌کار می‌روند. اما این کامپیوتر‌ها از نظر مصرف انرژی کارایی پایینی دارند و اغلب با گلوگاه‌هایی در انتقال داده مواجه می‌شوند که عملکرد آنها را کند می‌کند. با گذشت زمان، معماری فون نیومان پاسخ‌گوی افزایش روزافزون نیاز به توان محاسباتی بالاتر نخواهد بود. همین موضوع باعث شده است که پژوهشگران به‌دنبال معماری‌های جایگزینی مانند محاسبات نورومورفیک و کوانتومی بروند.

علاوه بر پیاده‌سازی‌های الکترونیکی، محققان در حال بررسی استفاده از نور برای پیاده‌سازی سیستم‌های نورومورفیک هستند. در این رویکرد که به آن محاسبات نورومورفیک فوتونی گفته می‌شود، از فوتون‌ها به جای الکترون برای انتقال اطلاعات استفاده می‌شود که می‌تواند منجر به سرعت پردازش بسیار بالاتر، کاهش اتلاف حرارت و افزایش پهنای باند شود. این فناوری هنوز در مراحل ابتدایی تحقیقاتی است اما پتانسیل بالایی برای توسعه سیستم‌های هوش مصنوعی با کارایی فوق‌العاده بالا دارد.

مزایای محاسبات نورومورفیک

محاسبات نورومورفیک طیف گسترده‌ای از مزایا را ارائه می‌دهد و این فناوری را به یکی از تحولات اساسی در دنیای محاسبات پیشرفته تبدیل می‌کند. در ادامه به برخی از مزایای اصلی محاسبات نورومورفیک می‌پردازیم.

محاسبات نورومورفیک سریع‌تر از محاسبات سنتی

سیستم‌های نورومورفیک به‌گونه‌ای طراحی شده‌اند که ویژگی‌های الکتریکی نورون‌های واقعی را به‌طور دقیق‌تری شبیه‌سازی کنند. این موضوع می‌تواند سرعت پردازش را افزایش داده و در عین حال مصرف انرژی را کاهش دهد. از آنجا که این سیستم‌ها به‌صورت رویدادمحور عمل می‌کنند و نورون‌ها تنها در صورت وقوع رویدادهای مرتبط فعال می‌شوند، می‌توانند پاسخ‌هایی «تقریباً فوری» تولید کنند. این تاخیر پایین در پاسخ‌دهی در هر نوع سیستمی یک مزیت اساسی به حساب می‌آید، اما در فناوری‌هایی مانند دستگاه‌های اینترنت اشیا، که به پردازش داده‌های حسگرها به صورت real time متکی هستند، نقش بسیار حیاتی‌تری پیدا می‌کند.

برتری در شناسایی الگوها

از آنجا که کامپیوتر‌های نورومورفیک اطلاعات را به‌صورت موازی و در مقیاسی گسترده پردازش می‌کنند، در شناسایی الگوها بسیار توانمند هستند. به‌طور طبیعی، این توانایی به تشخیص ناهنجاری‌ها نیز منجر می‌شود، که به گفته دانیلسکو (Danielescu) از Accenture Labs، در زمینه‌هایی چون امنیت سایبری یا پایش سلامت بسیار کاربردی است.

توانایی یادگیری سریع

کامپیوترهای نورومورفیک برای یادگیری به صورت real time و سازگاری با محرک‌های متغیر طراحی شده‌اند. شبکه‌های عصبی این سامانه‌ها به گونه‌ای ساخته شده‌اند که به طور مداوم خود را تنظیم می‌کنند و با پیشرفت و تغییر مداوم، عملکرد آن‌ها به مرور زمان بهبود می‌یابد. این انعطاف‌پذیری در کاربردهایی مانند آموزش ربات‌ها در خطوط مونتاژ یا هدایت خودروهای خودران در محیط‌های پیچیده و شلوغ، که نیاز به یادگیری پیوسته و تصمیم‌گیری سریع دارند، اهمیت زیادی دارد.

بهره‌وری بالای انرژی

یکی از شاخص‌ترین مزایای محاسبات نورومورفیک، بهره‌وری بالای انرژی آن است، که می‌تواند در توسعه هوش مصنوعی که معمولا مصرف انرژی بالایی دارد، بسیار مؤثر باشد. در کامپیوتر‌های نورومورفیک، برخلاف معماری فون نیومان که حافظه و پردازش از هم جدا هستند، پردازش و ذخیره‌سازی داده به‌صورت همزمان و در هر نورون انجام می‌شود. این پردازش موازی اجازه می‌دهد چندین وظیفه به‌طور همزمان انجام شود، که در نهایت منجر به اجرای سریع‌تر کارها و کاهش مصرف انرژی می‌شود. همچنین، شبکه‌های عصبی اسپایکی تنها هنگام دریافت پالس فعال می‌شوند، بنابراین در هر لحظه تنها بخشی از نورون‌های سیستم، انرژی مصرف می‌کنند و بقیه در حالت غیرفعال باقی می‌مانند.

چالش‌های محاسبات نورومورفیک

اگرچه محاسبات نورومورفیک پتانسیل آن را دارد که کاربردهای هوش مصنوعی، تحلیل داده و حتی درک ما از شناخت انسان را متحول کند، اما توسعه این فناوری با چالش‌های متعددی روبه‌رو است که در ادامه به آنها می‌پردازیم.

نبود معیارها و استانداردهای مشخص

از آنجا که محاسبات نورومورفیک هنوز فناوری نسبتاً جدیدی محسوب می‌شود، هیچ معیار استانداردی برای سنجش عملکرد آن وجود ندارد. این موضوع ارزیابی نتایج و اثبات کارایی این فناوری را در خارج از محیط‌های تحقیقاتی دشوار می‌سازد. همچنین فقدان معماری‌ها و واسط‌های نرم‌افزاری استاندارد در این حوزه، به اشتراک‌گذاری برنامه‌ها و نتایج را دشوار کرده است. با این حال، تلاش گسترده‌ای از سوی محققان دانشگاهی و فعالان صنعت برای رفع این مشکل در جریان است.

محدودیت در سخت‌افزار و نرم‌افزار

طراحی و ساخت سخت‌افزاری که بتواند پیچیدگی مغز انسان را به‌طور مؤثر شبیه‌سازی کند، یکی از چالش‌های بزرگ محاسبات نورومورفیک است. دلیل آن این است که بسیاری از مفاهیم و شیوه‌های رایج در محاسبات، مثل نحوه رمزگذاری داده‌ها، طی دهه‌ها بر پایه معماری فون نیومان شکل گرفته‌اند. همین مسئله در مورد نرم‌افزار نیز صدق می‌کند. اغلب پروژه‌های نورومورفیک امروزی با استفاده از زبان‌ها و الگوریتم‌هایی توسعه می‌یابند که برای سخت‌افزار فون نیومان طراحی شده‌اند و این موضوع باعث محدود شدن کارایی آن‌ها می‌شود. همچنین، طبق گفته محققان در این حوزه، ابزارهای ساخت نرم‌افزار مناسب برای این سیستم‌ها عملاً وجود ندارند و بنابراین توسعه این پلتفرم بسیار سخت است.

یادگیری دشوار

در حال حاضر، کامپیوتر‌های نورومورفیک تنها در دسترس کارشناسان متخصص قرار دارند و اغلب تنها در شرکت‌های چند میلیارد دلاری یا آزمایشگاه‌های تحقیقاتی دولتی یافت می‌شوند. این فناوری حتی برای افرادی با پیش‌زمینه غنی در حوزه هوش مصنوعی و یادگیری ماشین نیز ساده نیست و نیازمند دانش عمیقی در حوزه‌هایی مانند علوم اعصاب، علوم کامپیوتر و فیزیک است. در حال حاضر تنها چند صد متخصص واقعی در حوزه محاسبات نورومورفیک در سطح جهان وجود دارند. همچنین، منابع آموزشی کافی برای کسانی که از پس‌زمینه سنتی‌تر هوش مصنوعی وارد این حوزه می‌شوند، تقریباً وجود ندارد.

کاهش دقت و صحت

الگوریتم‌های یادگیری ماشینی که در کاربردهای یادگیری عمیق موفق بوده‌اند، به‌صورت مستقیم با شبکه‌های عصبی اسپایکی (spiking neural networks) سازگار نیستند و نیاز به تطبیق دارند. این فرآیند معمولاً شامل آموزش یک شبکه عصبی عمیق، تبدیل آن به یک شبکه اسپایکی و سپس پیاده‌سازی آن بر روی سخت‌افزار نورومورفیک است. این تطبیق، به‌همراه پیچیدگی ذاتی سیستم‌های نورومورفیک، می‌تواند منجر به کاهش دقت و صحت در نتایج شود.

کاربردهای محاسبات نورومورفیک

با وجود چالش‌هایی که پیش روی محاسبات نورومورفیک قرار دارد، این حوزه همچنان سرمایه‌گذاری‌های کلانی را به خود جذب کرده و پیش‌بینی می‌شود تا سال 2030 ارزش آن از 20 میلیارد دلار فراتر رود. کارشناسان به آینده این فناوری بسیار خوش‌بین هستند، زیرا توانایی منحصربه‌فرد آن در شبیه‌سازی شیوه پردازش اطلاعات و یادگیری مغز می‌تواند تحولی در بسیاری از حوزه‌های فناوری ایجاد کند.

خودروهای خودران

خودروهای خودران برای هدایت صحیح و جلوگیری از برخوردها باید تصمیماتی آنی بگیرند که این امر نیازمند توان پردازشی بالاست. با بهره‌گیری از سخت‌افزار و نرم‌افزارهای نورومورفیک، این خودروها می‌توانند سریع‌تر و با مصرف انرژی کمتر نسبت به محاسبات سنتی وظایف خود را انجام دهند. این موضوع منجر به واکنش سریع‌تر در جاده و کاهش اتلاف انرژی خواهد شد.

پهپادها

با کمک محاسبات نورومورفیک، پهپادها می‌توانند همانند موجودات زنده به محرک‌های محیطی واکنش سریع نشان دهند. این فناوری می‌تواند امکان عبور خودکار پهپادها از مسیر‌های پیچیده یا اجتناب از موانع را فراهم کند. همچنین، پهپادهای طراحی‌شده با این فناوری می‌توانند تنها هنگام تغییرات محیطی، مصرف انرژی خود را افزایش دهند و در مأموریت‌های امدادی یا نظامی، به سرعت به بحران‌ها واکنش نشان دهند.

هوش مصنوعی در لبه (Edge AI)

مصرف انرژی بهینه، انعطاف‌پذیری و توان پردازش لحظه‌ای داده‌ها در محاسبات نورومورفیک، آن را برای کاربردهای هوش مصنوعی در لبه بسیار مناسب می‌سازد. در این نوع هوش مصنوعی، پردازش‌ها در مراکز داده متمرکز یا فضای ابری انجام نمی‌شوند، بلکه به‌صورت محلی و در خود دستگاه‌های هوشمند صورت می‌گیرند. این پردازش محلی نیازمند تحلیل سریع داده‌ها از حسگرها و دوربین‌ها است.

با استفاده از معماری رویدادمحور و پردازش موازی، محاسبات نورومورفیک امکان تصمیم‌گیری آنی با تأخیر کم را فراهم می‌کند. همچنین، بهره‌وری بالای انرژی آن می‌تواند عمر باتری این دستگاه‌ها را افزایش داده و نیاز به شارژ یا تعویض را کاهش دهد. برخی مطالعات نشان داده‌اند که محاسبات نورومورفیک تا 100 برابر نسبت به محاسبات معمولی در مصرف باتری مؤثرتر هستند.

رباتیک

سیستم‌های نورومورفیک می‌توانند توانایی ادراکی و تصمیم‌گیری ربات‌ها را تقویت کنند. این ویژگی باعث بهبود توانایی ربات‌ها در شناسایی اشیاء، تحلیل محیط و تصمیم‌گیری بلادرنگ می‌شود. ربات‌های مجهز به این فناوری می‌توانند در محیط‌های پیچیده مانند کارخانه‌ها یا انبارها به‌طور هوشمندانه حرکت کرده و با تغییرات ناگهانی سازگار شوند. همچنین، در تعامل با انسان‌ها، قادر به درک سیگنال‌های رفتاری مانند حرکات، حالات چهره یا صدا خواهند بود. این توانمندی‌ها موجب ارتقای سطح هوشمندی و انعطاف‌پذیری ربات‌ها در کاربردهای متنوع می‌شوند.

تشخیص تقلب

محاسبات نورومورفیک در شناسایی الگوهای پیچیده بسیار توانمند است و می‌تواند نشانه‌های ظریف فعالیت‌های مشکوک یا نفوذهای امنیتی، مانند رفتارهای غیرعادی در تراکنش‌های مالی یا تلاش‌های ورود جعلی را تشخیص دهد. همچنین، توان پردازشی با تأخیر کم این فناوری، می‌تواند پاسخ‌دهی به‌موقع به تهدیدها مانند مسدود کردن حساب‌ها یا اطلاع‌رسانی به مراجع امنیتی را ممکن سازد.

تحقیقات علوم اعصاب

به کمک شبکه‌های عصبی الهام‌گرفته از مغز، سخت‌افزارهای نورومورفیک به پیشرفت درک ما از شناخت انسان کمک می‌کنند. پژوهشگرانی که در تلاش‌اند فرآیندهای ذهنی انسان را در مدارهای الکترونیکی بازسازی کنند، ممکن است به بینش‌های عمیق‌تری درباره عملکرد مغز دست یابند.

پروژه « مغز انسان (Human Brain Project) » که توسط اتحادیه اروپا و با مشارکت حدود 140 دانشگاه، بیمارستان آموزشی و مرکز پژوهشی تأمین مالی شده‌است، به‌مدت ده سال تلاش کرد با استفاده از دو ابررایانه نورومورفیک، مغز انسان را بازسازی کند. این پروژه در سپتامبر 2023 به پایان رسیده است.

در ایالات متحده نیز مرکز ملی محاسبات نورومورفیک راه‌اندازی شده است تا با گسترش دسترسی به این فناوری، تحقیقات بیشتری در حوزه‌های علوم اعصاب، هوش مصنوعی و علوم پایه تسهیل شود.

دستگاه‌های نورومورفیک

اگرچه محاسبات نورومورفیک هنوز در مراحل ابتدایی توسعه قرار دارد، اما تاکنون چندین دستگاه مبتنی بر این فناوری ساخته شده‌اند. در ادامه به برخی از نمونه‌های برجسته آنها اشاره می‌کنیم.

تراشه NorthPole شرکت IBM

این تراشه، نسل پیشرفته‌تری از تراشه‌های نورومورفیک است که با هدف افزایش کارایی و کاهش مصرف انرژی طراحی شده است. NorthPole نسبت به نسل قبلی خود، یعنی TrueNorth، عملکردی حدود 4000 برابر سریع‌تر دارد و از لحاظ بهره‌وری انرژی نیز به شکل چشم‌گیری بهبود یافته است. TrueNorth، به‌عنوان اولین تراشه نورومورفیک IBM، دارای معماری مبتنی بر یک میلیون نورون مصنوعی و 256 میلیون سیناپس بوده که الگویی اولیه از مغز انسان را شبیه‌سازی می‌کرده است.

NorthPole که با استفاده از معماری هم‌زمان و دیجیتال‌سازی عملکرد نورون‌ها کار می‌کند، در مقایسه با TrueNorth با طراحی غیرهم‌زمان، توانسته به سطحی بالاتر از هماهنگی در حافظه و پردازش دست یابد.

این تغییرات منجر به افزایش چشمگیر در توان پردازشی و کاهش تأخیر در کاربردهای مبتنی بر هوش مصنوعی شده‌اند.

تراشه Loihi 2 شرکت Intel

Loihi 2 نسل دوم تراشه نورومورفیک شرکت اینتل است که با هدف ارتقای عملکرد در پردازش‌های عصبی و کاهش مصرف انرژی طراحی شده است. این تراشه نسبت به نسخه قبلی خود، تراکم منابع پردازشی 15 برابر بالاتر دارد و می‌تواند تعداد بیشتری نورون و سیناپس مصنوعی را در فضای کوچکتری جای دهد. همچنین، Loihi 2 از الگوریتم‌های عصبی پیشرفته‌تری پشتیبانی می‌کند که امکان اجرای مدل‌های پیچیده‌تر و انعطاف‌پذیرتر را فراهم می‌سازند. این ویژگی‌ها موجب شده‌اند که تراشه جدید برای کاربردهایی مانند یادگیری تقویتی، پردازش همزمان حسگرها و تصمیم‌گیری سریع در محیط‌های پویا بسیار مناسب باشد.

تراشه SpiNNaker

این دستگاه که توسط دانشگاه منچستر توسعه یافته، یک پلتفرم محاسباتی بسیار پیشرفته و موازی‌ است که توانایی شبیه‌سازی یک میلیارد نورون ساده را دارد. این سامانه با استفاده از ده‌ها هزار هسته پردازشی ARM طراحی شده و به‌گونه‌ای عمل می‌کند که شبیه‌سازی پردازش اطلاعات در مغز انسان را به‌صورت لحظه‌ای انجام دهد. SpiNNaker به‌دلیل قابلیت‌های خاص خود، به یکی از ابزارهای کلیدی در تحقیقات علوم اعصاب، مدل‌سازی مغز و توسعه الگوریتم‌های الهام‌گرفته از مغز تبدیل شده است. این پلتفرم می‌تواند ساختارها و عملکردهای پیچیده نورونی را در مقیاس بزرگ بازسازی کند. همچنین، استفاده از آن در توسعه سیستم‌های هوش مصنوعی پیشرفته نیز مورد توجه قرار گرفته است.

تراشه NeuRRAM

تراشه NeuRRAM حاصل همکاری گروهی از محققان در ایالات متحده و چین است و به‌عنوان یک تراشه استنباطی هوش مصنوعی با کارایی بالا و مصرف انرژی بسیار پایین شناخته می‌شود. این تراشه بر پایه معماری محاسبات درون‌حافظه‌ای (in-memory computing) طراحی شده و قادر است وظایف پیچیده‌ای مانند پردازش تصویر و تشخیص گفتار را با انرژی بسیار کمتری نسبت به تراشه‌های سنتی انجام دهد. همین ویژگی‌ها آن را برای کاربرد در دستگاه‌های لبه، مانند تلفن‌های هوشمند، حسگرهای هوشمند و سایر تجهیزات قابل‌حمل، به گزینه‌ای بسیار کارآمد تبدیل کرده است. NeuRRAM با ترکیب حافظه و پردازش در یک بستر یکپارچه، محدودیت‌های معماری سنتی را کاهش داده و امکان انجام پردازش‌های پیشرفته در دستگاه‌های کوچک و کم‌مصرف را فراهم می‌کند.

نمونه‌های دیگر

علاوه بر این موارد، گروهی از پژوهشگران دستگاه نورومورفیکی به نام spin-memristor توسعه داده‌اند که می‌تواند مصرف انرژی هوش مصنوعی را تا یک صدم کاهش دهد. دانشمندان آزمایشگاه ملی لوس‌آلاموس نیز memristorهایی ساخته‌اند که قادر به یادآوری سیگنال‌های الکتریکی قبلی هستند و می‌توانند سیناپس‌های مصنوعی رایانه‌های نورومورفیک را تغذیه کنند. در آلمان نیز پژوهشگرانی در حال ساخت کامپیوتر‌های نورومورفیک با استفاده از فناوری microLED هستند.

گرچه کاربردهای محاسبات نورومورفیک هنوز محدود است، اما پیشرفت‌هایی مانند این‌ها نویدبخش گسترش استفاده از این فناوری در آینده‌ای نه‌چندان دور هستند.

پلتفرم‌های فوتونی

در کنار تراشه‌های مبتنی بر الکترون، برخی تیم‌های تحقیقاتی در حال ساخت سیستم‌های نورومورفیک فوتونی هستند. در این فناوری، نورون‌ها و سیناپس‌ها با استفاده از عناصر فوتونی مانند لیزرها، مُدولاتورهای فاز و فیلترهای نوری ساخته می‌شوند. برای مثال، پروژه‌هایی در مؤسسات معتبری مانند دانشگاه MIT و École Polytechnique Fédérale de Lausanne (EPFL) به طراحی تراشه‌هایی پرداخته‌اند که از نور برای پردازش اطلاعات استفاده می‌کنند و می‌توانند پردازش‌هایی با سرعت بالا و تأخیر کم را در محیط‌های فشرده انجام دهند.