전기는 "학습"할 수 있는 자료를 찾는 데 도움이 됩니다.

아르곤 국립 연구소(Argonne National Laboratory)의 과학자 팀은 학습과 관련된 무생물 모방 행동을 관찰할 수 있었으며, 이는 더 나은 인공 지능(AI) 시스템으로 이어질 수 있다고 말합니다.

연구를 설명하는 논문은 고급 지능형 시스템.

이 그룹은 차세대 슈퍼컴퓨터 개발을 목표로 하고 있으며 영감을 얻기 위해 인간의 두뇌를 찾고 있습니다.

학습과 유사한 행동을 하는 비생물학적 재료

뇌에서 영감을 받은 컴퓨터를 만들려는 연구원들은 종종 학습과 유사한 행동을 취할 수 있음을 암시하는 비생물학적 재료로 눈을 돌립니다. 이러한 재료는 새로운 소프트웨어 알고리즘과 결합할 수 있는 하드웨어를 구축하는 데 사용될 수 있어 보다 에너지 효율적인 AI를 가능하게 합니다.

새로운 연구는 Purdue University의 과학자들이 주도했습니다. 그들은 산소 결핍 산화니켈을 짧은 전기 펄스에 노출시키고 학습과 유사한 두 가지 다른 전기적 반응을 유도했습니다. 당시 퍼듀대 교수였던 러트거스대 교수 슈리람 라마나단(Shriram Ramanathan)에 따르면 그들은 학습 행동을 보여주는 전전기 구동 시스템을 고안했다.

연구팀은 DOE의 Argonne National Laboratory에 있는 미국 에너지부(DOE) Office of Science 시설인 APS(Advanced Photon Source)의 리소스에 의존했습니다.

습관화 및 민감화

발생하는 첫 번째 반응은 재료가 약간 재핑되는 데 익숙해지면 발생하는 습관화입니다. 재료의 저항은 초기 충격 후에 증가하지만 연구원들은 재료가 전기 자극에 익숙해진다는 점에 주목했습니다.

Fanny Rodolakis는 APS의 물리학자이자 빔라인 과학자입니다.

"습관화는 공항 근처에 살 때 일어나는 일과 같습니다."라고 Rodolakis는 말합니다. "입주하는 날 '뭔가 시끄럽다'고 생각하지만 결국에는 거의 알아차리지 못합니다."

재료가 나타내는 두 번째 반응은 더 많은 양의 전기가 투여될 때 발생하는 감작입니다.

"더 큰 자극으로 재료의 반응은 시간이 지남에 따라 감소하는 대신 증가합니다."라고 Rodolakis는 말합니다. “무서운 영화를 본 후 누군가 '부!'라고 말하는 것과 비슷합니다. 모퉁이 뒤에서 — 실제로 점프하는 것을 볼 수 있습니다.”

"거의 모든 살아있는 유기체는 이 두 가지 특성을 보여줍니다."라고 Ramanathan은 계속합니다. "그것들은 정말로 지능의 근본적인 측면입니다."

두 가지 동작은 전자 사이에서 발생하는 양자 상호 작용에 의해 제어됩니다. 이러한 상호 작용은 고전 물리학으로 설명할 수 없으며 물질의 상전이를 위한 기반을 형성하는 역할을 합니다.

"상전이의 예는 액체가 고체가 되는 것입니다."라고 Rodolakis는 말합니다. "우리가 보고 있는 자료는 바로 경계에 있으며 전자 수준에서 진행되는 경쟁 상호 작용은 작은 자극에 의해 쉽게 기울어질 수 있습니다."

Ramanathan에 따르면 전기 신호로 완벽하게 제어할 수 있는 시스템을 갖추는 것이 필수적입니다.

"이러한 방식으로 재료를 조작할 수 있게 되면 하드웨어가 지능에 대한 일부 책임을 맡게 될 것입니다."라고 그는 말합니다. "양자 특성을 사용하여 하드웨어에 지능을 부여하는 것은 에너지 효율적인 컴퓨팅을 향한 핵심 단계를 나타냅니다."

안정성-가소성 딜레마 극복

과학자들은 AI 개발의 주요 과제인 안정성-가소성 딜레마를 극복하기 위해 습관화와 민감화의 차이를 사용할 수 있습니다. 알고리즘은 종종 새로운 정보에 적응하는 데 어려움을 겪으며 적응할 때 종종 이전 경험이나 배운 내용을 잊어버립니다. 과학자들이 습관화할 수 있는 물질을 만들면 불필요한 정보를 무시하거나 잊어버리도록 가르칠 수 있고 추가적인 안정성을 얻을 수 있습니다. 반면 민감화는 새로운 정보를 기억하고 통합하도록 시스템을 훈련시켜 가소성을 가능하게 합니다.

"AI는 이미 저장된 정보를 덮어쓰지 않고 새로운 정보를 학습하고 저장하는 데 어려움을 겪는 경우가 많습니다."라고 Rodolakis는 말합니다. "너무 많은 안정성은 AI가 학습하는 것을 방해하지만 너무 많은 가소성은 치명적인 망각으로 이어질 수 있습니다."

연구팀에 따르면 이번 연구의 큰 장점 중 하나는 산화니켈 소자의 작은 크기였다.

Rodolakis는 "이러한 유형의 학습은 많은 수의 트랜지스터가 없는 현재 세대의 전자 제품에서는 이전에 수행되지 않았습니다."라고 설명합니다. "단일 접합 시스템은 이러한 특성을 보여주는 현재까지 가장 작은 시스템이며, 이는 뉴로모픽 회로의 개발 가능성에 큰 영향을 미칩니다."