Elektrisitet hjelper med å finne materialer som kan “lære”

Et team av vitenskapsmenn ved Argonne National Laboratory kunne observere et ikke-levende materiale som mimerte atferd assosiert med læring, som de sier kan føre til bedre kunstig intelligens (KI)-systemer.

Artikkelen som beskriver studien ble publisert i Advanced Intelligent Systems.

Gruppen har som mål å utvikle neste generasjons superdatamaskiner og ser mot menneskehjernen for inspirasjon.

Ikke-biologiske materialer med læring-lignende atferd

Forskere som søker å lage hjernelignende datamaskiner ofte vender seg til ikke-biologiske materialer som antyder at de kunne ta til seg læring-lignende atferd. Disse materialene kunne brukes til å bygge maskinvare som kunne kombineres med nye programvarealgoritmer, og muliggjøre mer energi-effektiv KI.

Den nye studien ble ledet av forskere fra Purdue University. De utsatte oksygen-mangelfullt nikkeloksid for korte elektriske pulser og fremkalte to forskjellige elektriske responser som ligner på læring. Ifølge Rutgers University-professoren Shriram Ramanathan, som var professor ved Purdue University på tidspunktet for arbeidet, kom de opp med et all-elektrisk-drevet system som viste læring-atferd.

Forskningsgruppen avhengig av ressursene til Advanced Photon Source (APS), en U.S. Department of Energy (DOE) Office of Science-fasilitet ved DOE’s Argonne National Laboratory.

Habituasjon og sensitisasjon

Den første responsen som skjer er habituasjon, som skjer når materialet blir vant til å bli litt “satt” på. Selv om materialets motstand øker etter en initial støt, noterte forskerne at det blir vant til den elektriske stimulansen.

Fanny Rodolakis er en fysiker og strålelinje-vitenskapsmann ved APS.

“Habituasjon er som det som skjer når du bor nær en flyplass,” sier Rodolakis. “Dagen du flytter inn, tenker du ‘hva en støy’, men til slutt merker du knapt noe mer.”

Den andre responsen som materialet viser er sensitisasjon, som skjer når en større dose elektrisitet administreres.

“Med en større stimulus, øker materialets respons i stedet for å minske over tid,” sier Rodolakis. “Det er likt å se en skremmende film, og så ha noen si ‘bu!’ fra bak en hjørne — du ser det virkelig hoppe.”

“Nesten alle levende organismer viser disse to egenskapene,” fortsetter Ramanathan. “De er virkelig en grunnleggende del av intelligens.”

De to atferdene styres av kvantemekaniske interaksjoner som skjer mellom elektroner. Disse interaksjonene kan ikke beskrives av klassisk fysikk, og de spiller en rolle i å danne grunnlaget for en fasetransformasjon i materialet.

“Et eksempel på en fasetransformasjon er en væske som blir en fast stoff,” sier Rodolakis. “Materialet vi ser på er rett på grensen, og de konkurrerende interaksjonene som skjer på det elektroniske nivået kan lett bli tippt en vei eller en annen av små stimuli.”

Ifølge Ramanathan er det essensielt å ha et system som kan kontrolleres fullstendig av elektriske signaler.

“Å kunne manipulere materialer på denne måten vil tillate maskinvare å ta på seg en del av ansvaret for intelligens,” sier han. “Å bruke kvantemekaniske egenskaper til å få intelligens inn i maskinvare representerer et viktig skritt mot energi-effektiv datamaskining.”

Overvinning av stabilitet-plastisitet-dilemmaet

Vitenskapsmenn kan bruke forskjellen mellom habituasjon og sensitisasjon til å overvinne stabilitet-plastisitet-dilemmaet, som er en stor utfordring i utviklingen av KI. Algoritmer har ofte vanskelig for å tilpasse seg ny informasjon, og når de gjør det, glemmer de ofte en del av sine tidligere erfaringer eller det de har lært. Hvis vitenskapsmenn skaper et materiale som kan habituere, kan de lære det å ignorere eller glemme unødvendig informasjon og oppnå ytterligere stabilitet. På den andre siden kan sensitisasjon trene systemet til å huske og inkorporere ny informasjon, som muliggjør plastisitet.

“KI har ofte vanskelig for å lære og lagre ny informasjon uten å overskrive informasjon som allerede er lagret,” sier Rodolakis. “For mye stabilitet forhindrer KI fra å lære, men for mye plastisitet kan føre til katastrofalt glemming.”

Ifølge teamet er en av de store fordelene med den nye studien den lille størrelsen på nikkeloksid-enheten.

“Denne type læring hadde tidligere ikke blitt gjort i den nåværende generasjonen av elektronikk uten en stor mengde transistorer,” forklarer Rodolakis. “Enkelt-junksjon-systemet er det minste systemet til dags dato som viser disse egenskapene, som har store implikasjoner for mulig utvikling av neuromorfe kretser.”