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

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

Artiklen om studiet er offentliggjort i Advanced Intelligent Systems.

Gruppen sigter mod at udvikle den næste generation af supercomputere og ser på hjernen som inspiration.

Ikke-biologiske materialer med læring-lignende adfærd

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

Den nye studie blev ledet af videnskabsmænd fra Purdue University. De udsatte ilt-mangelfuldt nikkeloxid for korte elektriske pulser og fremkaldte to forskellige elektriske reaktioner, der ligner læring. Ifølge Rutgers University-professoren Shriram Ramanathan, der på tidspunktet for arbejdet var professor ved Purdue University, 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 reaktion, der sker, er habituation, der finder sted, når materialet vænner sig til at blive let “stødt”. Selvom materialets modstand øger efter den første stød, bemærkede forskerne, at det bliver 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 mærke til det mere.”

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

“Med en større stimulus, vokser materialets reaktion i stedet for at aftage over tid,” siger Rodolakis. “Det er ligesom at se en skræmmende film, og så har nogen sagt ‘boo!’ bag en hjørne – du ser det virkelig springe.”

“Næsten alle levende organismer viser disse to egenskaber,” fortsætter Ramanathan. “De er virkelig en grundlæggende del af intelligensen.”

De to adfærdsformer kontrolleres af kvantum-interaktioner, der sker mellem elektroner. Disse interaktioner kan ikke beskrives af klassisk fysik, og de spiller en rol i at danne grundlaget for en fase-overgang i materialet.

“Et eksempel på en fase-overgang er en væske, der bliver til en fast stof,” siger Rodolakis. “Materialet, vi ser på, er lige på grænsen, og de konkurrerende interaktioner, der sker på det elektroniske niveau, kan let blive tipplet den ene eller den anden vej af små stimuli.”

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

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

At overvinde stabilitets-plasticitets-dilemmaet

Videnskabsmænd kan bruge forskellen mellem habituation og sensibilisering til at overvinde stabilitets-plasticitets-dilemmaet, der er en større udfordring i udviklingen af AI. Algoritmer kæmper ofte for at tilpasse sig ny information, og når de gør, glemmer de ofte nogen 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 ny information, hvilket muliggør plasticitet.

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

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 dato, der viser disse egenskaber, hvilket har store implikationer for den mulige udvikling af neuromorfe kredsløb.”