Peneliti Meniru Strategi Bekicot Laut di Bahan Kuantum

Peneliti di Purdue University telah menemukan bahwa suatu bahan dapat meniru fitur inteligensi yang paling penting dari bekicot laut. Ini dapat membantu mereka membangun perangkat keras yang akan membuat AI lebih efisien dan dapat diandalkan, yang dapat mempengaruhi banyak bidang seperti kendaraan otonom, robot bedah, dan algoritma media sosial.

Studi ini dipublikasikan di Proceedings of the National Academy of Sciences. Studi ini dipimpin oleh tim peneliti dari Purdue University, University of Georgia, Rutgers University, dan Argonne National Laboratory.

Shriram Ramanathan adalah profesor teknik bahan di Purdue.

“Dengan mempelajari bekicot laut, ahli saraf menemukan tanda-tanda inteligensi yang fundamental bagi kelangsungan hidup suatu organisme,” kata Ramanathan. “Kami ingin memanfaatkan inteligensi yang sudah matang dalam hewan untuk mempercepat pengembangan AI.”

Belajar dari Bekicot Laut

Ahli saraf telah menemukan dua tanda utama inteligensi dari bekicot laut: habituasi dan sensitisasi. Habituasi terjadi ketika seseorang atau sesuatu terbiasa dengan suatu stimulus dari waktu ke waktu, sedangkan sensitisasi terjadi ketika seseorang atau sesuatu bereaksi kuat terhadap suatu stimulus baru.

Salah satu masalah besar dengan AI adalah “dilema stabilitas-plastisitas,” yang terjadi ketika AI memiliki kesulitan belajar dan menyimpan informasi baru tanpa menghapus informasi yang sudah ada. Dengan habituasi, AI bisa “melupakan” informasi yang tidak diperlukan untuk menjadi lebih stabil. Pada saat yang sama, sensitisasi bisa membantu AI menyimpan informasi baru dan penting, yang memungkinkan plastisitas.

Menunjukkan Strategi di Oksida Nikel

Peneliti berhasil menunjukkan habituasi dan sensitisasi di oksida nikel, yang merupakan bahan kuantum karena sifat-sifatnya yang tidak dapat dijelaskan oleh fisika klasik. Jika bahan kuantum dapat menggunakan bentuk pembelajaran ini, maka mungkin untuk membangun AI langsung ke perangkat keras. AI dapat melakukan tugas yang lebih kompleks dengan menggunakan energi yang lebih sedikit jika dapat beroperasi melalui perangkat keras dan perangkat lunak.

“Kami secara fundamental meniru eksperimen yang dilakukan pada bekicot laut di bahan kuantum untuk memahami bagaimana bahan-bahan ini dapat berguna untuk AI,” kata Ramanathan.

Bekicot laut menunjukkan habituasi ketika mereka berhenti menarik insang mereka sebanyak mungkin, yang merupakan respons terhadap terjebak di siphon. Sengatan listrik ke ekor bekicot laut menyebabkan insang menarik lebih dramatis, yang merupakan sensitisasi.

Untuk mereproduksi ini di oksida nikel, perlu ada perubahan yang lebih besar dalam resistansi listrik. Dengan terus-menerus memaparkan bahan ke gas hidrogen, perubahan resistansi listrik oksida nikel menurun seiring waktu. Namun, ketika stimulus baru seperti ozon diperkenalkan, perubahan resistansi listrik meningkat secara signifikan.

Kelompok peneliti mempertimbangkan temuan ini, dan tim yang dipimpin oleh Kaushik Roy, Profesor Teknik Elektro dan Komputer Edward G. Tiedemann Jr. di Purdue, memodelkan perilaku oksida nikel. Mereka membangun algoritma yang dapat menggunakan strategi habituasi dan sensitisasi untuk mengklasifikasikan titik data ke dalam klaster.

“Dilema stabilitas-plastisitas tidak sepenuhnya terpecahkan. Namun, kami telah menunjukkan cara untuk mengatasi hal ini berdasarkan perilaku yang kami amati dalam bahan kuantum,” kata Roy. “Jika kami bisa mengubah bahan yang belajar seperti ini menjadi perangkat keras di masa depan, maka AI bisa melakukan tugas dengan lebih efisien.”

Agar ini berguna dan praktis, peneliti harus menemukan cara untuk menerapkan strategi ini dalam sistem skala besar, serta menentukan bagaimana suatu bahan dapat merespons stimulus saat terintegrasi ke dalam chip komputer.