Elektrizität hilft bei der Suche nach Materialien, die “lernen” können

Ein Team von Wissenschaftlern am Argonne National Laboratory konnte beobachten, wie ein nicht-lebendes Material ein Verhalten mimt, das mit Lernen assoziiert ist, was ihrer Meinung nach zu besseren künstlichen Intelligenz- (KI-) Systemen führen kann.

Der Artikel, der die Studie beschreibt, wurde in Advanced Intelligent Systems veröffentlicht.

Die Gruppe zielt darauf ab, die nächste Generation von Supercomputern zu entwickeln und blickt dabei auf das menschliche Gehirn als Inspiration.

Nicht-biologische Materialien mit lernähnlichem Verhalten

Forscher, die an der Entwicklung von gehirninspirierten Computern arbeiten, wenden sich oft an nicht-biologische Materialien, die darauf hindeuten, dass sie lernähnliches Verhalten annehmen könnten. Diese Materialien könnten verwendet werden, um Hardware zu bauen, die mit neuen Software-Algorithmen kombiniert werden kann, um energieeffizientere KI zu ermöglichen.

Die neue Studie wurde von Wissenschaftlern der Purdue University geleitet. Sie setzten Sauerstoff-mangelhaftem Nickeloxid kurzen elektrischen Impulsen aus und lösten zwei unterschiedliche elektrische Reaktionen aus, die dem Lernen ähneln. Laut Shriram Ramanathan, Professor an der Rutgers University, der zum Zeitpunkt der Arbeit Professor an der Purdue University war, entwickelten sie ein vollständig elektrisch angetriebenes System, das Lernverhalten zeigt.

Das Forschungsteam nutzte die Ressourcen der Advanced Photon Source (APS), einer Einrichtung des U.S. Department of Energy (DOE) Office of Science am DOE’s Argonne National Laboratory.

Habituation und Sensibilisierung

Die erste Reaktion, die auftritt, ist die Habituation, die eintritt, wenn das Material sich an leichte elektrische Schläge gewöhnt. Obwohl der Widerstand des Materials nach einem anfänglichen Schlag zunimmt, stellten die Forscher fest, dass es sich an den elektrischen Reiz gewöhnt.

Fanny Rodolakis ist Physikerin und Beamline-Wissenschaftlerin bei der APS.

“Habituation ist ähnlich wie das, was passiert, wenn man in der Nähe eines Flughafens wohnt”, sagt Rodolakis. “Am Tag, an dem man einzieht, denkt man ‘was für ein Lärm’, aber schließlich bemerkt man es kaum noch.”

Die zweite Reaktion, die das Material zeigt, ist die Sensibilisierung, die auftritt, wenn eine größere Dosis Elektrizität verabreicht wird.

“Bei einer stärkeren Stimulierung wächst die Reaktion des Materials, anstatt im Laufe der Zeit abzunehmen”, sagt Rodolakis. “Es ist ähnlich wie das Ansehen eines gruseligen Films und dann hört man plötzlich ‘Buh!’ von hinten – man sieht, wie es wirklich springt.”

“Fast alle lebenden Organismen zeigen diese beiden Eigenschaften”, fährt Ramanathan fort. “Sie sind wirklich ein grundlegender Aspekt der Intelligenz.”

Die beiden Verhaltensweisen werden durch Quanteninteraktionen gesteuert, die zwischen Elektronen stattfinden. Diese Interaktionen können nicht durch klassische Physik beschrieben werden und spielen eine Rolle bei der Bildung der Grundlage für einen Phasenübergang im Material.

“Ein Beispiel für einen Phasenübergang ist die Veränderung eines flüssigen Zustands in einen festen Zustand”, sagt Rodolakis. “Das Material, das wir betrachten, befindet sich genau an der Grenze, und die konkurrierenden Interaktionen, die auf der elektronischen Ebene stattfinden, können leicht durch kleine Reize in die eine oder andere Richtung gelenkt werden.”

Laut Ramanathan ist es wichtig, ein System zu haben, das vollständig durch elektrische Signale gesteuert werden kann.

“Die Fähigkeit, Materialien auf diese Weise zu manipulieren, ermöglicht es der Hardware, einen Teil der Verantwortung für die Intelligenz zu übernehmen”, sagt er. “Die Verwendung von Quanteneigenschaften, um Intelligenz in die Hardware zu bringen, stellt einen wichtigen Schritt auf dem Weg zu energieeffizientem Rechnen dar.”

Überwindung der Stabilitäts-Plastizitäts-Dilemma

Wissenschaftler können den Unterschied zwischen Habituation und Sensibilisierung nutzen, um das Stabilitäts-Plastizitäts-Dilemma zu überwinden, das eine große Herausforderung in der Entwicklung von KI darstellt. Algorithmen haben oft Schwierigkeiten, sich an neue Informationen anzupassen, und wenn sie es tun, vergessen sie oft einige ihrer vorherigen Erfahrungen oder das, was sie gelernt haben. Wenn Wissenschaftler ein Material entwickeln, das habituieren kann, können sie es lehren, unnötige Informationen zu ignorieren oder zu vergessen und so zusätzliche Stabilität zu erlangen. Andererseits kann Sensibilisierung das System trainieren, neue Informationen zu merken und zu integrieren, was Plastizität ermöglicht.

“KI hat oft Schwierigkeiten, neue Informationen zu lernen und zu speichern, ohne bereits gespeicherte Informationen zu überschreiben”, sagt Rodolakis. “Zu viel Stabilität verhindert, dass KI lernt, aber zu viel Plastizität kann zu katastrophalem Vergessen führen.”

Laut dem Team ist einer der großen Vorteile der neuen Studie die geringe Größe des Nickeloxid-Geräts.

“Diese Art des Lernens wurde zuvor nicht in der aktuellen Generation von Elektronik ohne eine große Anzahl von Transistoren durchgeführt”, erklärt Rodolakis. “Das Ein-Junction-System ist das kleinste System, das bisher diese Eigenschaften gezeigt hat, was große Auswirkungen auf die mögliche Entwicklung von neuromorphen Schaltkreisen hat.”