Listrik Membantu Menemukan Bahan yang Dapat “Belajar”

Sebuah tim ilmuwan di Argonne National Laboratory berhasil mengamati bahan non-hidup yang meniru perilaku yang terkait dengan pembelajaran, yang mereka katakan dapat mengarah pada sistem kecerdasan buatan (AI) yang lebih baik.

Makalah yang menjelaskan studi ini diterbitkan di Advanced Intelligent Systems.

Kelompok ini bertujuan untuk mengembangkan generasi berikutnya dari superkomputer dan melihat ke otak manusia untuk inspirasi.

Bahan Non-Biologis Dengan Perilaku Belajar-Like

Peneliti yang ingin membuat komputer yang terinspirasi otak sering kali berpaling ke bahan non-biologis yang memberikan petunjuk bahwa mereka dapat mengambil perilaku belajar-like. Bahan-bahan ini dapat digunakan untuk membangun perangkat keras yang dapat dipasangkan dengan algoritma perangkat lunak baru, memungkinkan AI yang lebih hemat energi.

Studi baru ini dipimpin oleh ilmuwan dari Purdue University. Mereka memaparkan oksida nikel yang kekurangan oksigen pada denyut listrik singkat dan memicu dua respons listrik yang berbeda yang mirip dengan pembelajaran. Menurut profesor Shriram Ramanathan dari Rutgers University, yang merupakan profesor di Purdue University pada saat penelitian, mereka mengembangkan sistem yang sepenuhnya didorong oleh listrik yang menunjukkan perilaku belajar.

Tim peneliti bergantung pada sumber daya Advanced Photon Source (APS), fasilitas Kantor Sains Departemen Energi AS (DOE) di Laboratorium Nasional Argonne DOE.

Habitasi dan Sensitisasi

Respons pertama yang terjadi adalah habitasi, yang terjadi ketika bahan tersebut terbiasa dengan sedikit kejutan. Meskipun resistansi bahan meningkat setelah kejutan awal, para peneliti mencatat bahwa bahan tersebut menjadi terbiasa dengan stimulus listrik.

Fanny Rodolakis adalah seorang fisikawan dan ilmuwan balok di APS.

“Habitasi seperti apa yang terjadi ketika Anda tinggal di dekat bandara,” kata Rodolakis. “Hari Anda pindah, Anda berpikir ‘apa suara bising,’ tapi akhirnya Anda hampir tidak memperhatikannya lagi.”

Respons kedua yang ditunjukkan oleh bahan adalah sensitisasi, yang terjadi ketika dosis listrik yang lebih besar diberikan.

“Dengan stimulus yang lebih besar, respons bahan tumbuh bukan berkurang seiring waktu,” kata Rodolakis. “Ini seperti menonton film menakutkan, lalu ada seseorang yang mengatakan ‘boo!’ dari belakang sudut — Anda melihatnya benar-benar melompat.”

“Hampir semua organisme hidup menunjukkan dua karakteristik ini,” lanjut Ramanathan. “Mereka benar-benar merupakan aspek dasar dari kecerdasan.”

Kedua perilaku ini dikendalikan oleh interaksi kuantum yang terjadi antara elektron. Interaksi ini tidak dapat dijelaskan oleh fisika klasik, dan mereka memainkan peran dalam membentuk dasar untuk transisi fase dalam bahan.

“Contoh transisi fase adalah cairan menjadi padat,” kata Rodolakis. “Bahan yang kami lihat berada di perbatasan, dan interaksi yang kompetitif yang terjadi pada tingkat elektronik dapat dengan mudah dijatuhkan satu arah atau lainnya oleh stimulus kecil.”

Menurut Ramanathan, penting untuk memiliki sistem yang dapat sepenuhnya dikendalikan oleh sinyal listrik.

“Dapat memanipulasi bahan dengan cara ini akan memungkinkan perangkat keras untuk mengambil beberapa tanggung jawab untuk kecerdasan,” katanya. “Menggunakan sifat kuantum untuk mendapatkan kecerdasan ke perangkat keras merupakan langkah kunci menuju komputasi yang hemat energi.”

Mengatasi Dilema Stabilitas-Plastisitas

Ilmuwan dapat menggunakan perbedaan antara habitasi dan sensitisasi untuk mengatasi dilema stabilitas-plastisitas, yang merupakan tantangan besar dalam pengembangan AI. Algoritma sering kali berjuang untuk beradaptasi dengan informasi baru, dan ketika mereka melakukannya, mereka sering melupakan beberapa pengalaman sebelumnya atau apa yang telah mereka pelajari. Jika ilmuwan menciptakan bahan yang dapat berhabitas, mereka dapat mengajarinya untuk mengabaikan atau melupakan informasi yang tidak perlu dan mencapai stabilitas tambahan. Di sisi lain, sensitisasi dapat melatih sistem untuk mengingat dan mengintegrasikan informasi baru, yang memungkinkan plastisitas.

“AI sering kali memiliki kesulitan belajar dan menyimpan informasi baru tanpa menimpa informasi yang telah disimpan sebelumnya,” kata Rodolakis. “Terlalu banyak stabilitas mencegah AI untuk belajar, tapi terlalu banyak plastisitas dapat menyebabkan penghapusan bencana.”

Menurut tim, salah satu kelebihan besar dari studi baru ini adalah ukuran kecil perangkat oksida nikel.

“Jenis pembelajaran ini sebelumnya belum pernah dilakukan pada generasi elektronik saat ini tanpa jumlah transistor yang besar,” jelas Rodolakis. “Sistem persimpangan tunggal adalah sistem terkecil hingga saat ini yang menunjukkan sifat-sifat ini, yang memiliki implikasi besar untuk pengembangan sirkuit neuromorfik.”