Tekoälynanoverkko toimii aivojen tavoin, kun se stimuloidaan sähköisesti

Sydneyn yliopiston ja Japanin National Institute for Material Science (NIMS) tutkijat ovat keksineet, miten tehdä tekoälynanoverkko, joka toimii aivojen tavoin, kun se stimuloidaan sähköisesti.

Tutkimus julkaistiin Nature Communications -julkaisussa.

Kansainvälinen tutkijaryhmä johti Joel Hochstetter, jota avustivat professori Zdenka Kuncic ja professori Tomonobu Nakayama.

Tutkijat totesivat, että he voivat pitää nanoverkkoa aivojen kaltaisessa tilassa “kaaoksen partailla” suorittaakseen tehtäviä optimaalisella tasolla.

Tutkijoiden mukaan tämä osoittaa, että neurologisen älymystön perusta on fyysinen, ja se voi johtaa uusiin kehityksiin tekoälyssä.

Joel Hochstetter on tohtorikoulutettava Sydneyn yliopiston Nano-instituutissa ja fysiikan laitoksessa ja tutkimuksen pääkirjoittaja.

“Käytimme 10 mikrometrin pituisia ja 500 nanometrin paksuisia johtimia, jotka olivat järjestettyä satunnaisesti kaksiulotteisella tasolla”, sanoi Hochstetter.

“Siellä, missä johtimet ovat limittäin, ne muodostavat elektrokemiallisen liitoksen, kuten hermosolmussa”, hän sanoi. “Totesimme, että sähköiset signaalit, jotka lähetettiin tämän verkon kautta, löysivät automaattisesti parhaimman reitin tiedon lähetykseen. Ja tämä arkkitehtuuri sallii verkon “muistaa” aiemmat polut järjestelmän läpi.”

Nanoverkon testaus

Tutkijaryhmä käytti simulaatioita testatakseen satunnaista nanoverkkoa, jotta he voisivat oppia, miten se voisi parhaiten suoriutua ja ratkaista yksinkertaisia tehtäviä.

Kun signaali, joka stimuloi verkkoa, oli liian alhainen, reitti ei tuottanut riittävän monimutkaisia tuloksia, koska ne olivat liian ennustettavissa. Toisaalta, jos verkko oli ylikuormittunut signaalilla, tuloste oli liian kaoottinen.

Tämä tarkoitti, että optimaalinen signaali oli kaaoksen reunalla, tutkijaryhmän mukaan.

Professori Kuncic on Sydneyn yliopistosta.

“Jotkut neurotieteelliset teoriat ehdottavat, että ihmisen mieli voisi toimia tässä kaaoksen reunalla, tai niin kutsutussa kriittisessä tilassa”, sanoi professori Kuncic. “Jotkut neurotieteilijät ajattelevat, että tässä tilassa saavutamme maksimaalisen aivotoiminnan.”

“Mikä on niin jännittävää tässä tuloksessa, on se, että se osoittaa, että nämä nanoverkkorakenteet voidaan säätää erilaisiin, aivojen kaltaisiin kollektiivisiin dynamiikkaan, joita voidaan hyödyntää tiedon käsittelyyn”, hän jatkoi.

Nanoverkko pystyy yhdistämään muistiin ja toimintoihin yhden järjestelmän johtimien välisen liitoksen ansiosta. Tämä on erilaista kuin standarditietokoneet, jotka luottavat erillisiin muistiin ja toimintoihin.

“Nämä liitokset toimivat kuin tietokoneen transistorit, mutta niillä on myös ominaisuus muistaa, että signaalit ovat kulkeutuneet tietokoneen polun kautta aiemmin. Niinpä niitä kutsutaan ‘memristoreiksi'”, sanoi Hochstetter.

Muisti on fyysinen muoto, jossa johtimien risteyksissä olevat liitokset toimivat kuin kytkimet. Niiden käyttäytyminen riippuu historiallisesta vastauksesta sähköisiin signaaleihin, ja kun signaaleja sovelletaan liitoksiin, ne aktivoituvat, kun virta kulkee niiden läpi.

“Tämä luo muistiverkon satunnaisen nanoverkon sisällä”, hän sanoi.

Tutkijaryhmä kehitti simulaation fyysisestä verosta, jotta he voisivat osoittaa sen kyvyn ratkaista hyvin yksinkertaisia tehtäviä.

“Tässä tutkimuksessa koulutimme verkon muuttamaan yksinkertaisen aallonmuodon monimutkaisemmaksi aallonmuodoksi”, sanoi Hochstetter.

Tutkijaryhmä sääteli sähköisen signaalin amplitudia ja taajuutta, jotta he voisivat nähdä, missä parhaimman suorituskyvyn paikka oli.

“Totesimme, että jos signaalia puskee liian hitaasti, verkko tekee vain saman asian toistuvasti ilman oppimista ja kehittymistä. Jos puskimme sitä liian nopeasti ja voimakkaasti, verkko muuttuu epävakaaksi ja ennustamattomaksi”, hän sanoi.

Praktiset hyödyt

Professori Kuncicin mukaan muistin ja toimintojen yhdistäminen on suuria hyötyjä tekoälylle.

“Algoritmit, joita tarvitaan kouluttamaan verkkoa, jotta se tietäisi, mihin liitokseen on annettava sopiva ‘kuorma’ tai painoarvo, kuluttavat paljon virtaa”, hän sanoi.

“Järjestelmät, joita kehitämme, poistavat tarpeen näille algoritmeille. Sallimme vain verkon kehittää oman painoarvonsa, mikä tarkoittaa, että meidän tarvitsee vain huolehtia signaaleista ja signaaleista, tunnetusta ‘reservoir computing’ -kehyksestä. Verkon painot ovat itseään sopeutuvia, mikä voi vapauttaa suuria määriä energiaa.”

Kuncic sanoo, että tämä tarkoittaa, että tulevaisuuden tekoälyjärjestelmät, jotka riippuvat näistä verkoista, ovat paljon energiatehokkaampia.