Forscher imitieren Strategien von Meeresschnecken in Quantenmaterial

Forscher an der Purdue University haben entdeckt, dass ein Material die wichtigsten Intelligenzmerkmale einer Meeresschnecke nachahmen kann. Dies könnte ihnen helfen, Hardware zu entwickeln, die künstliche Intelligenz (KI) effizienter und zuverlässiger macht, was viele Bereiche wie autonome Fahrzeuge, chirurgische Roboter und soziale Medien-Algorithmen beeinflussen könnte.

Die Studie wurde in der Proceedings of the National Academy of Sciences veröffentlicht. Sie wurde von einem Team von Forschern der Purdue University, der University of Georgia, der Rutgers University und des Argonne National Laboratory geleitet.

Shriram Ramanathan ist Professor für Materialieningenieurwesen an der Purdue University.

“Durch das Studium von Meeresschnecken haben Neuroscientisten die Grundmerkmale der Intelligenz entdeckt, die für das Überleben jedes Organismus grundlegend sind”, sagte Ramanathan. “Wir möchten diese reife Intelligenz in Tieren nutzen, um die Entwicklung von KI zu beschleunigen.”

Lehren von Meeresschnecken

Neuroscientisten haben zwei Hauptmerkmale der Intelligenz von Meeresschnecken entdeckt: Habituation und Sensibilisierung. Habituation tritt auf, wenn sich etwas oder jemand an einen Reiz gewöhnt, während Sensibilisierung auftritt, wenn etwas oder jemand stark auf einen neuen Reiz reagiert.

Eines der größten Probleme mit KI ist das “Stabilitäts-Plastizitäts-Dilemma”, das auftritt, wenn KI Schwierigkeiten hat, neue Informationen zu lernen und zu speichern, ohne vorhandene Informationen zu überschreiben. Mit Habituation könnte KI “unnötige” Informationen “vergessen”, um stabiler zu werden. Gleichzeitig könnte Sensibilisierung helfen, neue und wichtige Informationen zu speichern, was Plastizität ermöglicht.

Demonstration der Strategien in Nickeloxid

Die Forscher konnten sowohl Habituation als auch Sensibilisierung in Nickeloxid demonstrieren, das aufgrund seiner Eigenschaften, die nicht durch klassische Physik erklärt werden können, ein Quantenmaterial ist. Wenn ein Quantenmaterial diese Formen des Lernens erfolgreich nutzen könnte, wäre es möglicherweise möglich, KI direkt in Hardware zu integrieren. KI könnte dann komplexere Aufgaben ausführen, während weniger Energie verbraucht wird, wenn sie sowohl über Hardware als auch Software operieren könnte.

“Wir haben im Wesentlichen Experimente, die an Meeresschnecken durchgeführt wurden, in Quantenmaterialien nachgebildet, um zu verstehen, wie diese Materialien für KI von Interesse sein können”, sagte Ramanathan.

Meeresschnecken demonstrieren Habituation, wenn sie ihre Kiemen nicht mehr so stark zurückziehen, was eine Reaktion auf das Eingefangenwerden auf dem Siphon ist. Ein elektrischer Schlag auf den Schwanz einer Meeresschnecke verursacht, dass die Kiemen dramatischer zurückgezogen werden, was Sensibilisierung ist.

Um dies in Nickeloxid nachzubilden, muss es eine erhöhte Änderung des elektrischen Widerstands geben. Durch wiederholtes Aussetzen des Materials gegenüber Wasserstoffgas verringert sich der Änderung des elektrischen Widerstands von Nickeloxid im Laufe der Zeit. Wenn jedoch ein neuer Reiz wie Ozon eingeführt wird, erhöht sich der Änderung des elektrischen Widerstands stark.

Die Forschergruppe nahm diese Ergebnisse zur Kenntnis, und ein Team unter der Leitung von Kaushik Roy, dem Edward G. Tiedemann Jr. Distinguished Professor of Electrical and Computer Engineering an der Purdue University, modellierte das Verhalten von Nickeloxid. Sie entwickelten einen Algorithmus, der die Habituation- und Sensibilisierungsstrategien nutzen konnte, um Datenpunkte in Cluster zu kategorisieren.

“Das Stabilitäts-Plastizitäts-Dilemma ist nicht gelöst. Aber wir haben einen Weg gezeigt, es zu adressieren, basierend auf Verhalten, das wir in einem Quantenmaterial beobachtet haben”, sagte Roy. “Wenn wir ein Material, das so lernt, in Zukunft in Hardware umsetzen könnten, könnte KI Aufgaben viel effizienter ausführen.”

Um dies nützlich und praktisch zu machen, müssen die Forscher herausfinden, wie sie diese Strategien in groß angelegten Systemen anwenden können, sowie bestimmen, wie ein Material auf Reize reagieren kann, während es in einem Computerchip integriert ist.