Elektrina pomáha nájsť materiály, ktoré sa dokážu „učiť“

Tím vedcov z Národného laboratória Argonne dokázal pozorovať správanie napodobňujúce neživý materiál spojené s učením, ktoré podľa nich môže viesť k lepším systémom umelej inteligencie (AI).

Príspevok popisujúci štúdiu bol publikovaný v r Pokročilé inteligentné systémy.

Cieľom skupiny je vyvinúť ďalšiu generáciu superpočítačov a hľadať inšpiráciu v ľudskom mozgu.

Nebiologické materiály so správaním podobným učeniu

Výskumníci, ktorí chcú vytvoriť počítače inšpirované mozgom, sa často obracajú na nebiologické materiály, ktoré naznačujú, že by mohli začať používať podobné spôsoby učenia. Tieto materiály by sa mohli použiť na zostavenie hardvéru, ktorý by sa dal spárovať s novými softvérovými algoritmami, čo by umožnilo energeticky účinnejšiu AI.

Novú štúdiu viedli vedci z Purdue University. Vystavili oxid niklu s nedostatkom kyslíka krátkym elektrickým impulzom a vyvolali dve rôzne elektrické reakcie podobné učeniu. Podľa profesora Rutgers University Shriram Ramanathan, ktorý bol v čase práce profesorom na Purdue University, prišli s úplne elektricky poháňaným systémom, ktorý demonštroval správanie pri učení.

Výskumný tím sa spoliehal na zdroje rozšíreného zdroja fotónov (APS), úradu pre vedu amerického ministerstva energetiky (DOE) v Argonne National Laboratory v DOE.

Habituácia a senzibilizácia

Prvá reakcia, ktorá nastane, je privykanie, ku ktorému dochádza, keď si materiál zvykne na mierne zapchanie. Hoci sa odpor materiálu po počiatočnom otrase zvyšuje, výskumníci poznamenali, že si na elektrický stimul zvykne.

Fanny Rodolakis je fyzik a vedec lúčov v APS.

„Zvyk je ako to, čo sa stane, keď žijete v blízkosti letiska,“ hovorí Rodolakis. "V deň, keď sa nasťahujete, pomyslíte si 'aká raketa', ale nakoniec si to už takmer nevšimnete."

Druhou reakciou materiálu je senzibilizácia, ku ktorej dochádza pri podaní väčšej dávky elektriny.

"S väčším stimulom odozva materiálu rastie namiesto toho, aby sa časom zmenšovala," hovorí Rodolakis. „Je to podobné, ako keď sa pozriete na strašidelný film a potom vám niekto povie 'boo!' spoza rohu – vidíš, že to naozaj skáče.“

„Tieto dve vlastnosti vykazujú takmer všetky živé organizmy,“ pokračuje Ramanathan. "Skutočne sú základným aspektom inteligencie."

Tieto dve správania sú riadené kvantovými interakciami, ktoré prebiehajú medzi elektrónmi. Tieto interakcie nie je možné opísať klasickou fyzikou a zohrávajú úlohu pri vytváraní základu pre fázový prechod v materiáli.

"Príkladom fázového prechodu je, že kvapalina sa stáva pevnou látkou, " hovorí Rodolakis. "Materiál, na ktorý sa pozeráme, je priamo na hranici a konkurenčné interakcie, ktoré prebiehajú na elektronickej úrovni, možno ľahko ovplyvniť tak či onak malými podnetmi."

Podľa Ramanathana je nevyhnutné mať systém, ktorý možno úplne ovládať elektrickými signálmi.

„Schopnosť manipulovať s materiálmi týmto spôsobom umožní hardvéru prevziať časť zodpovednosti za inteligenciu,“ hovorí. "Použitie kvantových vlastností na získanie inteligencie do hardvéru predstavuje kľúčový krok smerom k energeticky efektívnym výpočtovým technikám."

Prekonanie dilemy stability a plasticity

Vedci môžu využiť rozdiel medzi habituáciou a senzibilizáciou na prekonanie dilemy stability a plasticity, ktorá je hlavnou výzvou vo vývoji AI. Algoritmy sa často snažia prispôsobiť novým informáciám, a keď sa im to podarí, často zabudnú na niektoré zo svojich predchádzajúcich skúseností alebo na to, čo sa naučili. Ak vedci vytvoria materiál, ktorý si dokáže zvyknúť, môžu ho naučiť ignorovať alebo zabudnúť nepotrebné informácie a dosiahnuť dodatočnú stabilitu. Na druhej strane by senzibilizácia mohla vycvičiť systém, aby si zapamätal a začlenil nové informácie, čo umožňuje plasticitu.

„AI má často problém naučiť sa a ukladať nové informácie bez prepísania už uložených informácií,“ hovorí Rodolakis. "Príliš veľa stability bráni AI v učení, ale príliš veľa plasticity môže viesť ku katastrofálnemu zabudnutiu."

Podľa tímu bola jednou z veľkých výhod novej štúdie malá veľkosť zariadenia na báze oxidu nikelnatého.

„Tento typ učenia sa predtým neuskutočnil v súčasnej generácii elektroniky bez veľkého počtu tranzistorov,“ vysvetľuje Rodolakis. "Systém s jedným spojením je doteraz najmenší systém, ktorý ukazuje tieto vlastnosti, čo má veľké dôsledky pre možný vývoj neuromorfných obvodov."