Elektrisitet hjelper med å finne materialer som kan “lære”

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

Den papiren som beskriver studien ble publisert i Advanced Intelligent Systems.

Gruppen har som mål å utvikle neste generasjons supercomputere 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 hint om at de kunne ta opp læring-lignende atferd. Disse materialene kunne brukes til å bygge maskinvare som kunne kombineres med nye programvarealgoritmer, og muliggjøre mer energi-effektiv AI.

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 professor Shriram Ramanathan fra Rutgers University, som var professor ved Purdue University på tidspunktet for arbeidet, kom de opp med et fullstendig elektrisk-drevet system som viste læring-atferd.

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

Habituering og sensitisering

Den første responsen som skjer er habituering, som skjer når materialet blir vant til å bli lett elektrisk ladet. Selv om materialets motstand øker etter en initial støt, noterte forskerne at det blir vant til den elektriske stimulusen.

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

“Habituering 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 det knapt.”

Den andre responsen som materialet viser er sensitisering, 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 skrekkfilm, og så ha noen som sier ‘bu!’ fra bak en hjørne — du ser det virkelig hoppe.”

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

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 faseovergang i materialet.

“Et eksempel på en faseovergang 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 intelligensen,” sier han. “Å bruke kvantemekaniske egenskaper til å få intelligens inn i maskinvare representerer et viktig skritt mot energi-effektiv datamaskin.”

Overvinning av stabilitets-plastisitets-dilemma

Forskere kan bruke forskjellen mellom habituering og sensitisering til å overvinne stabilitets-plastisitets-dilemmaet, som er en stor utfordring i utviklingen av AI. 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 forskere 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 sensitisering trene systemet til å huske og inkorporere ny informasjon, som muliggjør plastisitet.

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

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

“Dette type læring hadde tidligere ikke blitt gjort i den nåværende generasjonen av elektronikken 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.”