Elektricitet hjælper med at finde materialer, der kan “lære”

Et hold af videnskabsmænd ved Argonne National Laboratory kunne observere, at et ikke-levende materiale efterlignede adfærd forbundet med læring, hvilket de siger kan føre til bedre kunstig intelligens (AI)-systemer.

Den artikel, der beskriver studiet, blev offentliggjort i Advanced Intelligent Systems.

Gruppen sigter mod at udvikle den næste generation af supercomputere og ser mod den menneskelige hjerne for inspiration.

Ikke-biologiske materialer med læring-lignende adfærd

Forskere, der søger at lave hjerne-inspirerede computere, vender ofte til ikke-biologiske materialer, der antyder, at de kunne tage til læring-lignende adfærd. Disse materialer kunne bruges til at bygge hardware, der kunne kombineres med nye software-algoritmer, hvilket muliggør mere energi-effektiv AI.

Den nye studie blev ledet af videnskabsmænd fra Purdue University. De udsatte ilt-mangelfuld nikkeloxid for korte elektriske pulser og fremkaldte to forskellige elektriske respons’er, der ligner læring. Ifølge Rutgers University-professoren Shriram Ramanathan, der var professor ved Purdue University på det tidspunkt, kom de med et fuldt elektrisk-drevet system, der demonstrerede læring-adfærd.

Forskningsholdet afhængige af ressourcerne fra Advanced Photon Source (APS), en U.S. Department of Energy (DOE) Office of Science-facilitet ved DOE’s Argonne National Laboratory.

Habituation og sensibilisering

Den første respons, der opstår, er habituation, der sker, når materialet vænner sig til at blive lidt chokeret. Selvom materialets modstand øger efter en initial stød, bemærkede forskerne, at det blev vant til den elektriske stimulus.

Fanny Rodolakis er fysiker og beamline-videnskabsmand ved APS.

“Habituation er ligesom, hvad der sker, når du bor nær en lufthavn,” siger Rodolakis. “Den dag, du flytter ind, tænker du ‘hvad en larm’, men til sidst lægger du knap nok mærke til det mere.”

Den anden respons, der vises af materialet, er sensibilisering, der opstår, når en større dosis elektricitet administreres.

“Med en større stimulus, øger materialets respons i stedet for at aftage over tid,” siger Rodolakis. “Det er ligesom at se en skræmmende film, og derefter har nogen siger ‘bu!’ bag en hjørne – du ser det rigtig springe.”

“Pretty much alle levende organismer viser disse to karakteristika,” fortsætter Ramanathan. “De er virkelig en grundlæggende aspekt af intelligens.”

De to adfærd er kontrolleret af kvantemekaniske interaktioner, der foregår mellem elektroner. Disse interaktioner kan ikke beskrives af klassisk fysik, og de spiller en rol i at danne grundlaget for en faseovergang i materialet.

“Et eksempel på en faseovergang er en væske, der bliver til en fast,” siger Rodolakis. “Materialet, vi ser på, er lige på grænsen, og de konkurrerende interaktioner, der foregår på det elektroniske niveau, kan let tippes den ene eller den anden vej af små stimuli.”

Ifølge Ramanathan er det afgørende at have et system, der kan kontrolleres fuldstændigt af elektriske signaler.

“At kunne manipulere materialer på denne måde vil tillade hardware at tage på sig en del af ansvaret for intelligens,” siger han. “At bruge kvantemekaniske egenskaber til at få intelligens ind i hardware repræsenterer et nøgletrin mod energi-effektiv beregning.”

At overvinde stabilitets-plasticitetsdilemmaet

Videnskabsmænd kan bruge forskellen mellem habituation og sensibilisering til at overvinde stabilitets-plasticitetsdilemmaet, der er en stor udfordring i udviklingen af AI. Algoritmerne kæmper ofte for at tilpasse sig til nye oplysninger, og når de gør, glemmer de ofte nogle af deres tidligere erfaringer eller det, de har lært. Hvis videnskabsmænd skaber et materiale, der kan habituere, kan de lære det at ignorere eller glemme unødvendig information og opnå yderligere stabilitet. På den anden side kan sensibilisering træne systemet til at huske og inkorporere nye oplysninger, hvilket muliggør plasticitet.

“AI har ofte svært ved at lære og gemme nye oplysninger uden at overskrive oplysninger, der allerede er gemt,” siger Rodolakis. “For meget stabilitet forhindrer AI fra at lære, men for meget plasticitet kan føre til katastrofalt glemme.”

Ifølge holdet er en af de store fordele ved den nye studie den lille størrelse af nikkeloxid-apparatet.

“Denne type læring er tidligere ikke blevet gjort i den nuværende generation af elektronik uden en stor mængde transistorer,” forklarer Rodolakis. “Det enkelt-junction-system er det mindste system til dags dato, der viser disse egenskaber, hvilket har store implikationer for den mulige udvikling af neuromorfiske kredsløb.”