I ricercatori imitano le strategie delle lumache di mare in un materiale quantistico

I ricercatori dell’Università di Purdue hanno scoperto che un materiale può imitare le caratteristiche di intelligenza più essenziali di una lumaca di mare. Ciò potrebbe aiutarli a costruire hardware che renderebbe l’AI più efficiente e affidabile, il che potrebbe avere un impatto su molti campi come veicoli autonomi, robot chirurgici e algoritmi dei social media.

Lo studio è stato pubblicato in Proceedings of the National Academy of Sciences. È stato guidato da un team di ricercatori dell’Università di Purdue, dell’Università della Georgia, dell’Università di Rutgers e del Laboratorio Nazionale di Argonne. 

Shriram Ramanathan è un professore di ingegneria dei materiali di Purdue.

“Studiando le lumache di mare, i neuroscienziati hanno scoperto i segni fondamentali dell’intelligenza che sono essenziali per la sopravvivenza di qualsiasi organismo”, ha detto Ramanathan. “Vogliamo sfruttare quell’intelligenza matura negli animali per accelerare lo sviluppo dell’AI.”

Imparare dalle lumache di mare

I neuroscienziati hanno appreso due segni principali di intelligenza dalle lumache di mare: l’abitudine e la sensibilizzazione. L’abitudine si verifica quando qualcosa o qualcuno si abitua a uno stimolo nel tempo, mentre la sensibilizzazione si verifica quando qualcosa o qualcuno reagisce fortemente a uno stimolo nuovo.

Uno dei principali problemi dell’AI è il “dilemma della stabilità-plasticità”, che si verifica quando l’AI ha difficoltà a imparare e memorizzare nuove informazioni senza sovrascrivere le informazioni esistenti. Con l’abitudine, l’AI potrebbe “dimenticare” le informazioni non necessarie per diventare più stabile. Allo stesso tempo, la sensibilizzazione potrebbe aiutarla a conservare nuove e importanti informazioni, il che consente la plasticità.

Dimostrare le strategie nell’ossido di nichel 

I ricercatori sono stati in grado di dimostrare sia l’abitudine che la sensibilizzazione nell’ossido di nichel, che è un materiale quantistico a causa delle sue proprietà che non possono essere spiegate dalla fisica classica. Se un materiale quantistico potesse utilizzare con successo queste forme di apprendimento, potrebbe essere possibile costruire l’AI direttamente nell’hardware. L’AI potrebbe eseguire compiti più complessi utilizzando meno energia se potesse operare attraverso sia hardware che software.

“Abbiamo essenzialmente emulato esperimenti condotti su lumache di mare in materiali quantistici per capire come questi materiali possano essere di interesse per l’AI”, ha detto Ramanathan.

Le lumache di mare dimostrano l’abitudine quando smettono di ritirare le branchie, che è una risposta all’essere intrappolate nel sifone. Uno shock elettrico alla coda di una lumaca di mare fa ritirare le branchie in modo più drammatico, che è la sensibilizzazione. 

Per riprodurre ciò nell’ossido di nichel, deve esserci un aumento del cambiamento nella resistenza elettrica. Esponendo ripetutamente il materiale al gas idrogeno, il cambiamento nella resistenza elettrica dell’ossido di nichel diminuisce nel tempo. Tuttavia, quando viene introdotto uno stimolo nuovo come l’ozono, il cambiamento nella resistenza elettrica aumenta notevolmente. 

Il gruppo di ricerca ha preso in considerazione questi risultati e un team guidato da Kaushik Roy, professore distinto di ingegneria elettrica e informatica di Purdue, ha modellato il comportamento dell’ossido di nichel. Hanno costruito un algoritmo che potrebbe utilizzare le strategie di abitudine e sensibilizzazione per categorizzare i punti di dati in cluster.

“Il dilemma della stabilità-plasticità non è affatto risolto. Ma abbiamo mostrato un modo per affrontarlo in base al comportamento che abbiamo osservato in un materiale quantistico”, ha detto Roy. “Se potessimo trasformare un materiale che impara in questo modo in hardware nel futuro, allora l’AI potrebbe eseguire compiti molto più efficientemente.”

Perché ciò sia utile e pratico, i ricercatori devono scoprire come applicare queste strategie in sistemi su larga scala, nonché determinare come un materiale potrebbe rispondere a stimoli mentre è integrato in un chip del computer.