Elektrická energie pomáhá najít materiály, které mohou “učit”

Tým vědců z Argonne National Laboratory se podařilo pozorovat neživou hmotu, která napodobuje chování spojené s učením, což podle nich může vést k lepšímu umělému inteligenci (AI) systému.

Článek, který popisuje studii, byl zveřejněn v Advanced Intelligent Systems.

Tento tým se snaží vyvinout další generaci superpočítačů a hledá inspiraci v lidském mozku.

Ne_biologické materiály s chováním podobným učení

Vědci, kteří se snaží vyvinout počítače inspirované mozkem, často využívají ne_biologické materiály, které naznačují, že by mohly vyvinout chování podobné učení. Tyto materiály by mohly být použity k vytvoření hardwaru, který by mohl být spojen s novými softwarovými algoritmy, umožňujícími více energeticky efektivní AI.

Nová studie byla vedena vědci z Purdue University. Byli vystaveni kyslíkem deficientnímu niklovému oxidu krátkým elektrickým pulzům a vyvolali dvě různé elektrické odpovědi podobné učení. Podle profesora Shrirama Ramanathana z Rutgers University, který byl profesorem na Purdue University v době studie, vytvořili systém, který je řízen pouze elektricky a demonstruje chování učení.

Výzkumný tým využíval zdroje Advanced Photon Source (APS), zařízení U.S. Department of Energy (DOE) Office of Science v DOE’s Argonne National Laboratory.

Habitizace a senzitizace

První odpověď, která nastává, je habitizace, ke které dochází, když se materiál přizpůsobí slabému elektrickému impulzu. Ačkoli odpor materiálu se zvyšuje po počátečním impulzu, výzkumníci si všimli, že se materiál přizpůsobí elektrickému stimulu.

Fanny Rodolakis je fyzik a vědec na APS.

“Habitizace je podobná tomu, co se stane, když žijete poblíž letiště,” říká Rodolakis. “Den, kdy se přestěhujete, si myslíte ‘co to je za hluk’, ale nakonec si toho téměř nevšímate.”

Druhá odpověď, kterou materiál ukazuje, je senzitizace, ke které dochází, když je aplikována větší dávka elektřiny.

“S větší stimulací se odpověď materiálu zvyšuje místo toho, aby se snižovala s časem,” říká Rodolakis. “Je to podobné jako když sledujete strašidelný film a někdo vám říká ‘boo!’ zpoza rohu — uvidíte, jak opravdu vyskočí.”

“Téměř všechny živé organismy ukazují tyto dvě charakteristiky,” pokračuje Ramanathan. “Jsou to skutečně základní aspekty inteligence.”

Dvě chování jsou řízena kvantovými interakcemi, které probíhají mezi elektrony. Tyto interakce nelze popsat klasickou fyzikou a hrají roli při vytváření základu pro fázový přechod v materiálu.

“Příklad fázového přechodu je kapalina, která se stává pevnou látkou,” říká Rodolakis. “Materiál, který zkoumáme, je přímo na hranici a soutěžící interakce, které probíhají na elektronické úrovni, lze snadno ovlivnit malými stimuly.”

Podle Ramanathana je důležité mít systém, který lze zcela řídit elektrickými signály.

“Být schopen manipulovat materiály tímto způsobem umožní hardwaru převzít část odpovědnosti za inteligenci,” říká. “Používání kvantových vlastností k získání inteligence do hardwaru představuje klíčový krok směrem k energeticky efektivnímu výpočtu.”

Překonání stability-plasticity dilematu

Vědci mohou využít rozdíl mezi habitizací a senzitizací k překonání stability-plasticity dilematu, které je velkou výzvou ve vývoji AI. Algoritmy často mají problém přizpůsobit se novým informacím a když se jim to podaří, často zapomenou některé ze svých předchozích zkušeností nebo toho, co se naučily. Pokud vědci vytvoří materiál, který může habitizovat, mohou ho naučit ignorovat nebo zapomenout zbytečné informace a získat další stabilitu. Na druhé straně senzitizace by mohla naučit systém zapamatovat a začlenit nové informace, což ermögňuje plasticitu.

“AI často má problém učit se a ukládat nové informace bez přepsání informací, které již byly uloženy,” říká Rodolakis. “Příliš velká stabilita brání AI v učení, ale příliš velká plasticita může vést k katastrofickému zapomenutí.”

Podle týmu je jednou z velkých výhod nové studie malá velikost zařízení z niklového oxidu.

“Tento typ učení nebyl dosud proveden v současné generaci elektroniky bez velkého počtu tranzistorů,” vysvětluje Rodolakis. “Systém s jedním spojem je nejmenším systémem, který dosud ukázal tyto vlastnosti, což má velké důsledky pro možný vývoj neuromorfního obvodu.”