L’elettricità aiuta a trovare materiali che possono “imparare”

Un team di scienziati del laboratorio nazionale Argonne è riuscito a osservare un materiale non vivente che mimava un comportamento associato all’apprendimento, che potrebbe portare a sistemi di intelligenza artificiale (AI) migliori.

La relazione che descrive lo studio è stata pubblicata su Advanced Intelligent Systems.

Il gruppo sta cercando di sviluppare la prossima generazione di supercomputer e si sta ispirando al cervello umano.

Materiali non biologici con comportamenti simili all’apprendimento

I ricercatori che cercano di creare computer ispirati al cervello spesso si rivolgono a materiali non biologici che suggeriscono di poter esibire comportamenti simili all’apprendimento. Questi materiali potrebbero essere utilizzati per costruire hardware che potrebbe essere abbinato a nuovi algoritmi software, consentendo un’intelligenza artificiale più efficiente in termini energetici.

Lo studio è stato condotto da scienziati dell’Università di Purdue. Hanno esposto l’ossido di nichel carente di ossigeno a brevi impulsi elettrici e hanno ottenuto due diverse risposte elettriche simili all’apprendimento. Secondo il professore dell’Università di Rutgers Shriram Ramanathan, che era professore all’Università di Purdue al momento del lavoro, hanno creato un sistema guidato esclusivamente da energia elettrica che ha dimostrato comportamenti di apprendimento.

Il team di ricerca ha fatto affidamento sulle risorse della Advanced Photon Source (APS), una struttura del Dipartimento dell’Energia degli Stati Uniti (DOE) presso il laboratorio nazionale Argonne.

Abitudine e sensibilizzazione

La prima risposta che si verifica è l’abitudine, che si verifica quando il materiale si abitua a essere leggermente “scosso”. Sebbene la resistenza del materiale aumenti dopo un impulso iniziale, i ricercatori hanno notato che si abitua allo stimolo elettrico.

Fanny Rodolakis è una fisica e scienziata di beamline presso l’APS.

“L’abitudine è come quando vivi vicino a un aeroporto”, dice Rodolakis. “Il giorno in cui ti trasferisci, pensi ‘che fracasso’, ma alla fine non ti accorgi più di nulla”.

La seconda risposta mostrata dal materiale è la sensibilizzazione, che si verifica quando viene somministrata una dose più grande di elettricità.

“Con uno stimolo più grande, la risposta del materiale cresce invece di diminuire nel tempo”, dice Rodolakis. “È come guardare un film del terrore e poi sentire qualcuno che dice ‘boo!’ da dietro un angolo — vedi che si muove davvero”.

“Quasi tutti gli organismi viventi mostrano queste due caratteristiche”, continua Ramanathan. “Sono davvero un aspetto fondamentale dell’intelligenza”.

I due comportamenti sono controllati da interazioni quantistiche che si verificano tra elettroni. Queste interazioni non possono essere descritte dalla fisica classica e svolgono un ruolo nella formazione della base per una transizione di fase nel materiale.

“Un esempio di transizione di fase è un liquido che diventa solido”, dice Rodolakis. “Il materiale che stiamo esaminando è proprio al confine e le interazioni in competizione che si verificano a livello elettronico possono essere facilmente inclinate in un senso o nell’altro da piccoli stimoli”.

Secondo Ramanathan, è essenziale avere un sistema che possa essere completamente controllato da segnali elettrici.

“Essere in grado di manipolare i materiali in questo modo consentirà all’hardware di assumere alcune delle responsabilità dell’intelligenza”, dice. “Utilizzare le proprietà quantistiche per ottenere l’intelligenza nell’hardware rappresenta un passo fondamentale verso il calcolo efficiente in termini energetici”.

Superare il dilemma della stabilità-plasticità

I ricercatori possono utilizzare la differenza tra abitudine e sensibilizzazione per superare il dilemma della stabilità-plasticità, che è una sfida importante nello sviluppo dell’intelligenza artificiale. Gli algoritmi spesso lottano per adattarsi a nuove informazioni e, quando ci riescono, spesso dimenticano alcune delle loro esperienze precedenti o ciò che hanno imparato. Se i ricercatori creano un materiale che può abituarsi, possono insegnargli a ignorare o dimenticare informazioni non necessarie e ottenere ulteriore stabilità. D’altra parte, la sensibilizzazione potrebbe addestrare il sistema a ricordare e incorporare nuove informazioni, consentendo la plasticità.

“L’AI spesso ha difficoltà a imparare e archiviare nuove informazioni senza sovrascrivere le informazioni già archiviate”, dice Rodolakis. “Troppa stabilità impedisce all’AI di imparare, ma troppa plasticità può portare a un dimenticamento catastrofico”.

Secondo il team, uno dei grandi vantaggi dello studio consisteva nella piccola dimensione del dispositivo di ossido di nichel.

“Questo tipo di apprendimento non era stato fatto nella generazione attuale di elettronica senza un gran numero di transistor”, spiega Rodolakis. “Il sistema a singola giunzione è il sistema più piccolo fino ad oggi che mostra queste proprietà, il che ha grandi implicazioni per lo sviluppo possibile di circuiti neuromorfici”.