Исследователи копируют стратегии морских слизней в квантовом материале

Исследователи из Университета Пердью обнаружили, что материал может имитировать наиболее важные интеллектуальные особенности морского слизняка. Это может помочь им создать аппаратное обеспечение, которое сделает искусственный интеллект более эффективным и надежным, что может повлиять на многие области, такие как автономные транспортные средства, хирургические роботы и алгоритмы социальных сетей.

Исследование было опубликовано в Proceedings of the National Academy of Sciences. Исследование было возглавлено командой исследователей из Университета Пердью, Университета Джорджии, Университета Рутгерса и Национальной лаборатории Аргона.

Шрирам Раманатан – профессор материаловедения Университета Пердью.

“Изучая морских слизней, нейробиологи обнаружили основные признаки интеллекта, которые являются фундаментальными для выживания любого организма”, – сказал Раманатан. “Мы хотим использовать эту зрелую интеллектуальность в животных, чтобы ускорить развитие искусственного интеллекта.”

Обучение у морских слизней

Нейробиологи выявили два основных признака интеллекта у морских слизней: привыкание и сенсибилизация. Привыкание происходит, когда что-то или кто-то привыкает к стимулу со временем, а сенсибилизация – когда что-то или кто-то реагирует сильно на новый стимул.

Одной из основных проблем искусственного интеллекта является “дилемма стабильности и пластичности”, которая возникает, когда искусственный интеллект испытывает трудности с обучением и хранением новой информации без перезаписи существующей информации. С помощью привыкания искусственный интеллект может “забыть” ненужную информацию, чтобы стать более стабильным. В то же время сенсибилизация может помочь ему сохранить новую и важную информацию, что обеспечивает пластичность.

Демонстрация стратегий в никелевом оксиде

Исследователи смогли продемонстрировать как привыкание, так и сенсибилизацию в никелевом оксиде, который является квантовым материалом из-за его свойств, которые не могут быть объяснены классической физикой. Если квантовый материал сможет успешно использовать эти формы обучения, то может быть возможно построить искусственный интеллект непосредственно в аппаратное обеспечение. Искусственный интеллект сможет выполнять более сложные задачи, используя меньше энергии, если он сможет работать как через аппаратное, так и через программное обеспечение.

“Мы по сути имитировали эксперименты, проведенные на морских слизняках, в квантовых материалах, чтобы понять, как эти материалы могут быть интересны для искусственного интеллекта”, – сказал Раманатан.

Морские слизни демонстрируют привыкание, когда они перестают так сильно втягивать свои жабры, что является реакцией на то, что они оказались в ловушке на сифоне. Электрический удар в хвост морского слизняка вызывает более сильное втягивание жабр, что является сенсибилизацией.

Чтобы воспроизвести это в никелевом оксиде, необходимо увеличить изменение электрического сопротивления. Повторно подвергая материал воздействию водорода, изменение электрического сопротивления никелевого оксида уменьшается со временем. Однако, когда вводится новый стимул, такой как озон, изменение электрического сопротивления сильно увеличивается.

Исследовательская группа приняла во внимание эти результаты, и команда под руководством Каушика Роя, заслуженного профессора электротехники и компьютерных наук Университета Пердью, смоделировала поведение никелевого оксида. Они создали алгоритм, который может использовать стратегии привыкания и сенсибилизации для категоризации точек данных в кластеры.

“Дилемма стабильности и пластичности не решена совсем. Но мы показали способ решить ее на основе поведения, которое мы наблюдали в квантовом материале”, – сказал Рой. “Если мы сможем превратить материал, который учится таким образом, в аппаратное обеспечение в будущем, то искусственный интеллект сможет выполнять задачи намного более эффективно.”

Чтобы это было полезно и практично, исследователям необходимо выяснить, как применить эти стратегии в крупномасштабных системах, а также определить, как материал может реагировать на стимулы, когда он интегрирован в компьютерную микросхему.