AI-mallit ja alustat

Tutkijat jäljittelevät aivokuoria puolijohdemateriaaleja käyttämällä

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa

Tietokonepiirit ovat yksi tärkeimmistä osa-alueista tekoälyssä (AI). Nämä voimakkaat pikkuruiset osat ovat perustana automaattiselle kuvantunnistukselle ja ovat osittain vastuussa opettamisesta robotteja tiettyjä toimintoja, kuten kävelyä. Tekoälytekniikan kasvavan potentiaalin myötä nykyiset tietokonepiirit vaativat olevan sekä erittäin voimakkaita että taloudellisia, mutta tämä on vaikea asia saavuttaa.

Perinteiset mikroelektroniikka voi optimoida vain tietyn verran fyysisten rajoitusten vuoksi, tutkijat ovat kääntyneet ihmisaivojen puoleen, kuten usein, saadakseen inspiraation siitä, miten prosessoida ja tallentaa tietoa tehokkaammin.

Tutkijat TU Dresdenista ja Helmholtz-Zentrum Dresden-Rossendorfista (HZDR) ovat onnistuneesti jäljitellyt aivokuorien toimintaa käyttämällä puolijohdemateriaaleja, ensimmäistä kertaa koskaan.

Tutkimus julkaistiin Nature Electronics -lehdessä.

Työ tehtiin kolmen pääkirjoittajan toimesta, mukaan lukien HZDR-fyysikko Larysa Baraban, ja se oli kansainvälinen yhteistyö kuuden instituution välillä.

Nykyinen mikroelektroniikka vs. tekoälyneuronit

Tekniikka, jota käytetään yleisimmin nykyään parantamaan mikroelektroniikan suorituskykyä, on komponenttien kokoon pienentäminen. Piisilicon tietokonepiireissä tämä pienentäminen tapahtuu yksittäisten transistorien kohdalla.

Barabanin mukaan, “Tämä ei voi jatkua loputtomiin – tarvitsemme uusia lähestymistapoja.”

Tutkijat pyrkivät jäljittelemään aivoja ja luomaan tekoälyneuronin, joka voisi yhdistää tiedon prosessoinnin ja tallentamisen.

“Ryhmällämme on laaja kokemus biologisista ja kemiallisista elektronisista antureista”, Baraban sanoo. “Joten simuloimme hermosolujen ominaisuuksia biosensorien periaatteilla ja muokkasimme perinteisen kenttävaikutustransistorin luomaan tekoälyneuronitransistorin.”

Tämä lähestymistapa mahdollistaa samanaikaisen tiedon prosessoinnin ja tallentamisen, kaiken yhden komponentin sisällä. Transistoriteknologiassa, jota käytetään eniten nykyään, nämä kaksi prosessia ovat erillisiä, mikä johtaa hitaampiin prosessointiaikoihin ja suorituskyvyn rajoituksiin.

Ihmisaivot

Tutkijat ovat työskennelleet tietokoneiden rakentamisessa ihmisaivojen perusteella jo useita vuosia, mutta suurin osa siitä on ollut epäonnistunutta. Jotkut ensimmäisistä yrityksistä liittivät hermosoluja elektroniikkaan Petri-astioissa, mutta Gianaurelio Cunibertin mukaan, joka on TU Dresdenin materiaalitieteiden ja nanoteknologian professori, “märkä tietokonepiiri, joka on ruokittava jatkuvasti, ei ole kenenkään hyödyksi”.

Tutkijaryhmä onnistui toteuttamaan neurotransistorin.

“Käytämme viskoosia ainetta – kutsutaan sol-geeliksi – perinteiselle piisilicon piirilevylle, jossa on piiri. Tämä polymeeri kovettuu ja muuttuu huokoselliseksi keramiikaksi”, Cuniberti sanoo. “Ionit liikkuvat rei’issä. Ne ovat raskaampia kuin elektronit ja hitaampia palaamaan alkuperäiseen asentoon jännitettäessä. Tämä viive, jota kutsutaan histereesiksi, on se, mikä aiheuttaa tallennusvaikutuksen. Mitä enemmän yksittäinen transistori jännitetään, sitä nopeammin se avautuu ja päästää virran kulkemaan. Tämä vahvistaa yhteyden. Järjestelmä oppii.”

Tutkijaryhmän mukaan, piiri on vähemmän tarkka ja arvioi matemaattisia laskelmia, verrattuna laskemiseen viimeiseen desimaaliin.

“Mutta ne olisivat älykkäämpiä”, Cuniberti sanoo. “Esimerkiksi robotti, jolla on tällaiset prosessorit, oppii kävelemään tai tarttumaan; se omistaa optisen järjestelmän ja oppii tunnistamaan yhteyksiä. Ja kaikki tämä ilman ohjelmistojen kehittämistä.”

Yksi muista suurista hyödyistä tällaisesta tietokoneesta on, että muovautuvuus mahdollistaa muutokset ja sopeutumisen toiminnan aikana. Samoin kuin ihmisaivot, tämä tarkoittaa, että tietokone voi lopulta kohtaamassa ja ratkaista ongelmia, joita se ei ollut ohjelmoitu ratkaisemaan alun perin.

Alex johtaa Unite.AI:n tekoälypohjaista uutistoimintaa, yhdistäen journalismia, tutkimusta ja automaatiota tukeakseen ajantasaista ja skaalautuvaa tekoälyn kattavuutta. Hänen työnsä auttaa varmistamaan, että nousevat tekoälykehitykset saadaan esiin tehokkaasti samalla kun julkaisun toimitukselliset standardit säilyvät.