Elektryczność pomaga znaleźć materiały, które mogą “uczyć się”

Zespół naukowców z Argonne National Laboratory był w stanie zaobserwować nieożywiony materiał, który naśladuje zachowania związane z uczeniem się, co, jak twierdzą, może prowadzić do lepszych systemów sztucznej inteligencji (AI).

Artykuł opisujący badanie został opublikowany w Advanced Intelligent Systems.

Grupa ta ma na celu opracowanie następnej generacji superkomputerów i szuka inspiracji w ludzkim mózgu.

Niebiologiczne materiały z zachowaniami podobnymi do uczenia się

Naukowcy, którzy próbują stworzyć komputery inspirowane mózgiem, często zwracają się ku niebiologicznym materiałom, które sugerują, że mogą one przyjąć zachowania podobne do uczenia się. Materiały te mogą być wykorzystane do budowy sprzętu, który może być połączony z nowymi algorytmami oprogramowania, umożliwiając bardziej efektywną AI.

Nowe badanie zostało przeprowadzone przez naukowców z Purdue University. Ekspozycja tlenowo-deficytowego tlenku niklu na krótkie impulsy elektryczne i wywołanie dwóch różnych odpowiedzi elektrycznych podobnych do uczenia się. Zgodnie z oświadczeniem profesora Rutgers University, Shrirama Ramanathana, który był profesorem na Purdue University w czasie pracy, opracowali oni system, który jest w pełni sterowany elektrycznie i wykazuje zachowania uczenia się.

Zespół badawczy wykorzystał zasoby Advanced Photon Source (APS), obiektu U.S. Department of Energy (DOE) Office of Science w DOE’s Argonne National Laboratory.

Przyzwyczajenie i wrażliwość

Pierwszą odpowiedzią, jaka występuje, jest przyzwyczajenie, które zachodzi, gdy materiał przyzwyczaja się do lekkiego “zadziałania”. Chociaż opór materiału wzrasta po początkowym wstrząsie, naukowcy zauważyli, że materiał przyzwyczaja się do bodźca elektrycznego.

Fanny Rodolakis jest fizykiem i naukowcem w APS.

„Przyzwyczajenie jest jak to, co się dzieje, gdy mieszka się koło lotniska”, mówi Rodolakis. „W dniu, w którym się wprowadza, myśli się ‚jaki hałas’, ale ostatecznie ledwo się zauważa”.

Drugą odpowiedzią wykazaną przez materiał jest wrażliwość, która występuje, gdy podaje się większą dawkę elektryczności.

„Z większym bodźcem odpowiedź materiału rośnie, zamiast zmniejszać się w czasie”, mówi Rodolakis. „Jest to podobne do oglądania strasznej filmu, a potem ktoś mówi ‚boo!’ z tyłu – widzi się, jak bardzo skacze”.

„Przeważnie wszystkie żyjące organizmy wykazują te dwie cechy”, kontynuuje Ramanathan. „Są one naprawdę podstawowym aspektem inteligencji”.

Dwie odpowiedzi są kontrolowane przez interakcje kwantowe, które zachodzą między elektronami. Interakcje te nie mogą być opisane przez fizykę klasyczną i odgrywają rolę w tworzeniu podstawy przejścia fazowego w materiale.

„Przykładem przejścia fazowego jest ciecz stająca się ciałem stałym”, mówi Rodolakis. „Materiał, który badamy, jest właśnie na granicy, a konkurujące interakcje, które zachodzą na poziomie elektronicznym, mogą być łatwo przechylone w jedną lub drugą stronę przez małe bodźce”.

Zgodnie z Ramanathanem, ważne jest, aby mieć system, który może być w pełni kontrolowany przez sygnały elektryczne.

„Możliwość manipulowania materiałami w ten sposób pozwoli na to, aby sprzęt mógł wziąć na siebie część odpowiedzialności za inteligencję”, mówi. „Używanie właściwości kwantowych, aby wprowadzić inteligencję do sprzętu, reprezentuje kluczowy krok w kierunku efektywnej komputeryzacji”.

Pokonywanie dylematu stabilności i plastyczności

Naukowcy mogą wykorzystać różnicę między przyzwyczajeniem a wrażliwością, aby pokonać dylemat stabilności i plastyczności, który jest głównym wyzwaniem w rozwoju AI. Algorytmy często mają trudności z adaptacją do nowych informacji, a gdy już to robią, często zapominają niektóre ze swoich wcześniejszych doświadczeń lub tego, czego się nauczyły. Jeśli naukowcy stworzą materiał, który może przyzwyczaić się, mogą go nauczyć ignorować lub zapominać niepotrzebne informacje i osiągnąć dodatkową stabilność. Z drugiej strony, wrażliwość mogłaby nauczyć system zapamiętywać i włączać nowe informacje, co umożliwia plastyczność.

„AI często ma trudności z uczeniem się i przechowywaniem nowych informacji bez nadpisania informacji, które już zostały zapisane”, mówi Rodolakis. „Zbyt duża stabilność uniemożliwia AI uczenie się, ale zbyt duża plastyczność może prowadzić do katastrofalnego zapomnienia”.

Zgodnie z zespołem, jedną z dużych zalet nowego badania była mała wielkość urządzenia tlenku niklu.

„Ten rodzaj uczenia się nie był wcześniej wykonywany w obecnej generacji elektroniki bez dużej liczby tranzystorów”, wyjaśnia Rodolakis. „Jednorodny system łącznikowy jest najmniejszym systemem do tej pory, który wykazuje te właściwości, co ma duże implikacje dla możliwego rozwoju obwodów neuromorficznych”.