Tekoälynanoverkko toimii aivojen tavoin, kun se stimuloidaan sähköisesti

Sydneyn yliopiston ja Japanin kansallisen materiaalitieteellisen tutkimuslaitoksen (NIMS) tutkijat ovat keksineet, miten tekoälynanoverkkoa voidaan saada toimimaan aivojen tavoin, kun se stimuloidaan sähköisesti.

Tutkimus julkaistiin Nature Communications -julkaisussa.

Kansainvälisen tutkijaryhmän johtajana toimi Joel Hochstetter, jota avustivat professori Zdenka Kuncic ja professori Tomonobu Nakayama.

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

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

Joel Hochstetter on tohtorikoulutettava Sydneyn yliopiston nanotutkimusinstituutissa ja fysiikan laitoksessa ja tutkimuksen ensisijainen tekijä.

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

“Johtimien risteyksissä muodostuu elektrokemiallinen liitos, kuten hermosolmussa”, hän sanoi. “Havaitsemme, että sähköiset signaalit, jotka kulkevat tämän verkon läpi, löytävät automaattisesti parhaan reitin tiedon siirtämiseksi. Ja tämä arkkitehtuuri mahdollistaa verkon “muistamisen” aiemmat polut järjestelmässä.”

Nanoverkon testaaminen

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

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

Tämä tarkoitti, että optimaalinen signaali oli tämän kaoottisen tilan reunalla, tutkijoiden mukaan.

Professori Kuncic on Sydneyn yliopistosta.

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

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

Nanoverkko pystyy yhdistämään muistin ja toiminnot yhteen järjestelmään johtimien risteyksien ansiosta. Tämä on erilaista kuin standarditietokoneet, jotka luottavat erillisiin muistiin ja toimintoihin.

“Nämä risteykset toimivat kuin tietokoneen transistorit, mutta niillä on myös ominaisuus muistaa, että signaalit ovat aiemmin kulkeneet tiettyä reittiä”, Hochstetter sanoi.

Muisti on fyysinen muoto, jossa johtimien risteykset toimivat kytkimienä. Niiden käyttäytyminen riippuu aiemmasta vastauksesta sähköisiin signaaleihin, ja kun signaaleja sovelletaan risteyksiin, ne aktivoituvat, kun virta kulkee niiden läpi.

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

Tutkijaryhmä kehitti simulaation fyysistä verkkoa, jotta he voisivat osoittaa sen kyvyn ratkaista yksinkertaisia tehtäviä.

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

Tutkijaryhmä sääteli sähköisen signaalin amplitudia ja taajuutta, jotta he voisivat nähdä, missä parasta suorituskykyä saavutettiin.

“Havaitsemme, että jos työnnet signaalia liian hitaasti, verkko toistaa samaa asiaa toistuvasti ilman oppimista ja kehittymistä. Jos työnnet sitä liian nopeasti ja voimakkaasti, verkko muuttuu epävakaaksi ja ennustamattomaksi”, hän sanoi.

Praktiset hyödyt

Professori Kuncicin mukaan muistin ja toimintojen yhdistäminen on suurta hyötyä tekoälylle.

“Algoritmit, joita tarvitaan verkon kouluttamiseen, jotta se tietäisi, mille risteykselle on annettava sopiva “kuorma” tai painoarvo, kuluttavat paljon energiaa”, hän sanoi.

“Järjestelmät, joita kehitämme, poistavat tarpeen näille algoritmeille. Sallimme vain verkon kehittää oman painoarvonsa, mikä tarkoittaa, että meidän on vain huolehdittava signaaleista sisään ja ulos, ja tämä perustuu “reservoir computing” -kehykseen. Verkon painot ovat itseään sopeutuvia, mikä voi vapauttaa suuria määriä energiaa.”

Kuncic sanoo, että tämä tarkoittaa, että tulevaisuuden tekoälyjärjestelmät, jotka perustuvat näihin verkkoihin, voisivat olla paljon energiatehokkaampia.