Sähkö auttaa löytämään materiaaleja, jotka voivat “oppia”

Tutkijaryhmä Argonne National Laboratoryssa pystyi havainnoimaan elottoman materiaalin jäljittelevän oppimiseen liittyvää käyttäytymistä, mikä voi johtaa parempiin tekoälyjärjestelmiin.

Tutkimuksesta kertova artikkeli julkaistiin Advanced Intelligent Systems -julkaisussa.

Ryhmä pyrkii kehittämään seuraavan sukupolven supertietokoneita ja etsii inspiraatiota ihmisaivoista.

Elottomat materiaalit oppimismaisilla käyttäytymisillä

Tutkijat, jotka pyrkivät kehittämään aivoinnokkaat tietokoneet, usein kääntyvät elottomien materiaalien puoleen, jotka viittaavat siihen, että ne voivat osoittaa oppimismaisia käyttäytymisiä. Nämä materiaalit voivat olla käytettävissä rakentamaan laitteita, jotka voidaan yhdistää uusiin ohjelmistoalgoritmeihin, mahdollistaen energiatehokkaamman tekoälyn.

Uuden tutkimuksen johtajina toimivat Purdue-yliopiston tutkijat. He altistivat happipuutteista nikkelioxidia lyhyille sähköimpulsseille ja saivat aikaan kaksi erilaista sähköistä reaktiota, joka muistutti oppimista. Rutgersin yliopiston professori Shriram Ramanathan, joka oli tuolloin Purdue-yliopistossa, kertoo, että he kehittivät kaikkien sähköisten järjestelmän, joka osoitti oppimiskäyttäytymistä.

Tutkimusryhmä hyödynsi Advanced Photon Source (APS) -laitteiston resursseja, joka on Yhdysvaltain energiaministeriön (DOE) tiede-toimiston laitos DOE:n Argonne National Laboratoryssa.

Tottumus ja herkkyyden lisääntyminen

Ensimmäinen reaktio, joka tapahtuu, on tottumus, joka tapahtuu, kun materiaali tottuu olemaan hieman isketty. Vaikka materiaalin vastus kasvaa alkuiskun jälkeen, tutkijat huomasivat, että se tottuu sähköiseen ärsykeeseen.

Fanny Rodolakis on fyysikko ja säteilylinjan tutkija APS:ssä.

“Tottumus on kuin se, mitä tapahtuu, kun asut lähellä lentokenttää”, Rodolakis sanoo. “Siirryt sinne, ajattelet ‘mitä melua’, mutta lopulta et edes huomaa enää.”

Materiaalin toinen reaktio on herkkyyden lisääntyminen, joka tapahtuu, kun suurempi annos sähköä annetaan.

“Suuremmalla ärsykeellä materiaalin reaktio kasvaa ajan myötä”, Rodolakis sanoo. “Se on kuin katsot pelottavaa elokuvaa, ja sitten joku sanoo ‘boo!’ takaa nurkan – näet, miten se hyppää oikein.”

“Melkein kaikki elävät olentot osoittavat näitä kahta ominaisuutta”, Ramanathan jatkaa. “Ne ovat todella älymystön perusta.”

Nämä kaksi käyttäytymistä ohjataan kvanttimekanismien kautta, jotka tapahtuvat elektronien välillä. Nämä mekanismit eivät voida selittää klassisen fysiikan avulla, ja ne osallistuvat faasiäänen muodostumiseen materiaalissa.

“Esimerkki faasiääneksi on nesteen muuttuminen kiinteäksi”, Rodolakis sanoo. “Materiaali, jota tutkimme, on juuri rajalla, ja kilpailevat vuorovaikutukset, jotka tapahtuvat elektronitasolla, voidaan helposti kallistaa toiseen suuntaan pienillä ärsykeillä.”

Ramanathanin mukaan on tärkeää, että järjestelmä voidaan täysin ohjata sähkösignaaleilla.

“Kyky manipuloida materiaaleja tällä tavoin mahdollistaa laitteiston ottamaan osan vastuusta älykkyydestä”, hän sanoo. “Kvanttiominaisuuksien käyttäminen älykkyyden saamiseksi laitteistoon edustaa tärkeää askelta energiatehokkaan laskentaan.”

Ylittäminen vakaus-plastisuus-dilemma

Tutkijat voivat käyttää eroa tottumus- ja herkkyyden välillä ylittääkseen vakaus-plastisuus-dilemman, joka on suuri haaste tekoälyn kehittämisessä. Algoritmit usein kamppailevat sopeutumisessa uusiin tietoihin, ja kun ne tekevät, ne usein unohtavat joitain aiemmin opittuja kokemuksia tai tietoja. Jos tutkijat luovat materiaalin, joka voi tottua, he voivat opettaa sen ohittamaan tai unohtamaan tarpeettomat tiedot ja saavuttamaan lisää vakautta. Toisaalta herkkyyden lisääntyminen voi kouluttaa järjestelmän muistamaan ja sisällyttämään uudet tiedot, mikä mahdollistaa plastisuuden.

“Tekoäly usein kamppailee uusien tietojen oppimisen ja tallentamisen kanssa ilman, että se ylikirjoittaa jo aiemmin tallennettuja tietoja”, Rodolakis sanoo. “Liian vähän vakautta estää tekoälyä oppimasta, mutta liian vähän plastisuutta voi johtaa katastrofaaliseen unohtamiseen.”

Tutkimusryhmän mukaan yksi suurista etuoista uudessa tutkimuksessa oli nikkeloksidilaitteen pieni koko.

“Tällaista oppimista ei ollut aiemmin tehty nykyisessä sukupolvensa elektroniikassa ilman suuren määrän transistoreja”, Rodolakis selittää. “Yksittäinen liitosjärjestelmä on pienin järjestelmä, joka on näyttänyt nämä ominaisuudet, mikä on suuria vaikutuksia mahdollisen neuromorfinen piirien kehittämiseen.”