Sähkö auttaa löytämään materiaaleja, jotka voivat “opettaa”

Argonne National Laboratoryn tutkijaryhmä pystyi havainnoimaan elottoman materiaalin jäljittelevän käyttäytymistä, joka liittyy oppimiseen, ja he sanovat, että se voi johtaa parempiin tekoälyjärjestelmiin.

Tutkimusta kuvaava artikkeli julkaistiin Advanced Intelligent Systems -julkaisussa.

Ryhmä pyrkii kehittämään seuraavan sukupolven supertietokoneita ja etsii innoittajana ihmisaivoja.

Epäbiologiset materiaalit oppimismaisilla käyttäytymisillä

Tutkijat, jotka pyrkivät kehittämään aivoinnoittamia tietokoneita, usein kääntyvät epäbiologisia materiaaleja kohti, jotka antavat vihjeitä siitä, että ne voivat omaksua oppimismaisia käyttäytymisiä. Nämä materiaalit voivat olla käytettävissä laitteiston rakentamiseen, joka voidaan yhdistää uusien ohjelmistojen algoritmien kanssa, mahdollistaen energiatehokkaamman tekoälyn.

Uuden tutkimuksen johtajina toimivat Purdue Universityn tutkijat. He altistivat happivajaa nickeloksidia lyhyille sähköimpulsseille ja saivat aikaan kaksi erilaista sähköistä reaktiota, joka muistuttaa oppimista. Rutgers Universityn professori Shriram Ramanathanin mukaan, joka oli Purdue Universityn professori työn aikana, he keksivät kaikkien sähkötoimisen järjestelmän, joka osoitti oppimiskäyttäytymistä.

Tutkimusryhmä hyödynsi Advanced Photon Source (APS) -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 hieman sähköshokkiin. Vaikka materiaalin resistanssi kasvaa alkuverhon jälkeen, tutkijat huomasivat, että se tottuu sähköstimulaatioon.

Fanny Rodolakis on fyysikko ja säteilylinjan tutkija APS:ssa.

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

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

“Suuremmalla stimulalla materiaalin reaktio kasvaa aikojen kuluessa,” Rodolakis sanoo. “Se on kuin katsot peloittavaa elokuvaa, ja sitten joku sanoo ‘boo!’ kulman takaa – näet, miten se hyppää.”

“Melkein kaikki elävät organismat osoittavat näitä kahta ominaisuutta,” Ramanathan jatkaa. “Ne ovat todella perustavanlaatuisia älykkyyden osia.”

Kaksi käyttäytymistä ohjataan kvanttimekaanisilla vuorovaikutuksilla, jotka tapahtuvat elektronien välillä. Nämä vuorovaikutukset eivät voida kuvata klassisen fysiikan avulla, ja ne osallistuvat faasinmuutoksen muodostumiseen materiaalissa.

“Esimerkki faasinmuutoksesta on nesteen muuttuminen kiinteäksi,” Rodolakis sanoo. “Materiaali, jota tarkkailemme, on juuri rajan tienoilla, ja kilpailevat vuorovaikutukset, jotka tapahtuvat elektronitasolla, voidaan helposti kallistaa toiseen suuntaan pienillä stimulansseilla.”

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

“Materiaalien manipulointi tällä tavoin mahdollistaa laitteiston ottavan osan älykkyyden vastuusta,” hän sanoo. “Kvanttiominaisuuksien käyttäminen älykkyyden saamiseksi laitteistoon edustaa tärkeää askelta energiatehokkaan laskennan suuntaan.”

Ylittäminen vakauden ja muovautuvuuden dilemmasta

Tutkijat voivat käyttää tottumus- ja herkkyyden lisääntyminen -eroa ylittääkseen vakauden ja muovautuvuuden dilemmasta, joka on suuri haaste tekoälyn kehittämisessä. Algoritmit usein kamppailevat sopeutumisessa uuteen tietoon, ja kun ne tekevät, ne usein unohtavat joitakin aiemmin oppimiaan kokemuksia tai oppimiaan asioita. Jos tutkijat luovat materiaalin, joka voi tottua, he voivat opettaa sen olemaan huomioimatta tai unohtamaan tarpeettoman tiedon ja saavuttaa lisää vakautta. Toisaalta herkkyyden lisääntyminen voi kouluttaa järjestelmän muistamaan ja sisällyttämään uuden tiedon, mikä mahdollistaa muovautuvuuden.

“Tekoälyllä on usein vaikea oppia ja tallentaa uutta tietoa ilman, että se ylittää jo tallennetun tiedon,” Rodolakis sanoo. “Liian suuri vakaus estää tekoälyä oppimasta, mutta liian suuri muovautuvuus voi johtaa katastrofaaliseen unohtamiseen.”

Tutkimusryhmän mukaan yksi uuden tutkimuksen suurista etuoista oli nickeloksidilaitteen pieni koko.

“Tämänlainen oppiminen ei ollut aiemmin tehty nykyisessä elektronisessa laitteistossa ilman suuren määrän transistoreja,” Rodolakis selittää. “Yksittäinen liitosjärjestelmä on pienin järjestelmä, joka on osoittanut nämä ominaisuudet, mikä on suuria vaikutuksia mahdollisen neuromorfinen piirilevyn kehittämiseen.”