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 zeigt, das mit Lernen assoziiert ist, und sagt, dass dies zu besseren künstlichen Intelligenz-Systemen (KI) 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 sucht nach Inspiration im menschlichen Gehirn.

Nicht-biologische Materialien mit lernähnlichen Verhaltensweisen

Forscher, die brain-inspirierte Computer entwickeln möchten, wenden sich oft an nicht-biologische Materialien, die darauf hindeuten, dass sie lernähnliche Verhaltensweisen annehmen könnten. Diese Materialien könnten verwendet werden, um Hardware zu bauen, die mit neuen Software-Algorithmen kombiniert werden kann, um energieeffiziente KI zu ermöglichen.

Die neue Studie wurde von Wissenschaftlern der Purdue University geleitet. Sie setzten sauerstoffarmes Nickeloxid kurzen elektrischen Impulsen aus und lösten zwei verschiedene elektrische Reaktionen aus, die denen des Lernens ähnelten. Laut Shriram Ramanathan, Professor an der Rutgers University, der zum Zeitpunkt der Arbeit an der Purdue University tätig war, entwickelten sie ein vollständig elektrisch angetriebenes System, das Lernverhaltensweisen zeigte.

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

Habituation und Sensitisation

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 initialen Schlag zunimmt, stellten die Forscher fest, dass es sich an den elektrischen Reiz gewöhnt.

Fanny Rodolakis ist Physikerin und Beamline-Wissenschaftlerin am APS.

“Habituation ist 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 Sensitisation, die auftritt, wenn eine größere Dosis an Elektrizität verabreicht wird.

“Mit einem größeren Reiz wächst die Reaktion des Materials, anstatt im Laufe der Zeit abzunehmen”, sagt Rodolakis. “Es ist ähnlich wie beim 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 von Quanten-Wechselwirkungen zwischen Elektronen gesteuert. Diese Wechselwirkungen 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 untersuchen, befindet sich genau an der Grenze, und die konkurrierenden Wechselwirkungen, die auf der elektronischen Ebene stattfinden, können leicht in eine Richtung oder die andere durch kleine Reize beeinflusst 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 energieeffizienter Rechnertechnik dar.”

Überwindung des Stabilitäts-Plastizitäts-Dilemmas

Wissenschaftler können den Unterschied zwischen Habituation und Sensitisation 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 Sensitisation 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 vorher 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 bisher 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 zeigt, was große Auswirkungen auf die mögliche Entwicklung von neuromorphen Schaltkreisen hat.”