Elektricitet hjälper till att hitta material som kan “lära”

Ett team av forskare vid Argonne National Laboratory kunde observera ett icke-levande material som imiterade beteende som är förknippat med lärande, vilket de säger kan leda till bättre artificiell intelligens (AI)-system.

Artikeln som beskriver studien publicerades i Advanced Intelligent Systems.

Gruppen syftar till att utveckla nästa generation av superdatorer och ser mot den mänskliga hjärnan för inspiration.

Icke-biologiska material med lärande-liknande beteenden

Forskare som försöker skapa hjärninspirerade datorer vänder sig ofta till icke-biologiska material som antyder att de kan utveckla lärande-liknande beteenden. Dessa material kan användas för att bygga hårdvara som kan kombineras med nya mjukvarualgoritmer, vilket möjliggör mer energieffektiv AI.

Den nya studien leddes av forskare från Purdue University. De utsatte syrefattig nickeloxid för korta elektriska pulser och framkallade två olika elektriska svar som liknade lärande. Enligt Shriram Ramanathan, professor vid Rutgers University, som var professor vid Purdue University vid tidpunkten för arbetet, kom de fram till ett all-elektriskt system som visade lärande-beteenden.

Forskningsgruppen förlitade sig på resurserna från Advanced Photon Source (APS), en anläggning för USA:s energidepartement (DOE) vid Argonne National Laboratory.

Habituation och sensitisering

Det första svaret som inträffar är habituation, som sker när materialet vänjer sig vid att bli lätt “stötta”. Även om materialets motstånd ökar efter en initial stöt, noterade forskarna att det vänjer sig vid den elektriska stimulansen.

Fanny Rodolakis är fysiker och strålforskare vid APS.

“Habituation är som när du bor nära en flygplats”, säger Rodolakis. “Den dag du flyttar in tänker du ‘vilket oväsen’, men till slut märker du knappt av det längre.”

Det andra svaret som materialet visar är sensitisering, som sker när en större dos av elektricitet administreras.

“Med en större stimulus växer materialets svar i stället för att minska över tiden”, säger Rodolakis. “Det är som att se en skräckfilm och sedan ha någon som säger ‘boo!’ bakom en hörna — du ser verkligen hur det hoppar till.”

“De flesta levande organismer visar dessa två egenskaper”, fortsätter Ramanathan. “De är verkligen en grundläggande aspekt av intelligens.”

De två beteendena kontrolleras av kvantinteraktioner som sker mellan elektroner. Dessa interaktioner kan inte beskrivas av klassisk fysik och spelar en roll i att bilda grunden för en fasövergång i materialet.

“Ett exempel på en fasövergång är när en vätska blir en fast substans”, säger Rodolakis. “Materialet vi tittar på är precis på gränsen, och de konkurrerande interaktioner som sker på den elektroniska nivån kan lätt tippas åt ett eller annat håll av små stimuli.”

Enligt Ramanathan är det viktigt att ha ett system som kan kontrolleras fullständigt av elektriska signaler.

“Att kunna manipulera material på detta sätt kommer att tillåta hårdvara att ta på sig en del av ansvaret för intelligens”, säger han. “Att använda kvantegenskaper för att få intelligens i hårdvara representerar ett viktigt steg mot energieffektiv datorkapacitet.”

Att övervinna stabilitets-plasticitetsdilemmat

Forskare kan använda skillnaden mellan habituation och sensitisering för att övervinna stabilitets-plasticitetsdilemmat, som är en stor utmaning i utvecklingen av AI. Algoritmer har ofta svårt att anpassa sig till ny information, och när de gör det, glömmer de ofta en del av sina tidigare upplevelser eller det de har lärt sig. Om forskare skapar ett material som kan habituera, kan de lära det att ignorera eller glömma onödig information och uppnå ytterligare stabilitet. Å andra sidan kan sensitisering träna systemet att komma ihåg och inkorporera ny information, vilket möjliggör plasticitet.

“AI har ofta svårt att lära och lagra ny information utan att skriva över information som redan har lagrats”, säger Rodolakis. “För mycket stabilitet förhindrar AI från att lära, men för mycket plasticitet kan leda till katastrofalt glömska.”

Enligt teamet var en av de stora fördelarna med den nya studien den lilla storleken på nickeloxid-enheten.

“Denna typ av lärande hade tidigare inte gjorts i den nuvarande generationen av elektronik utan ett stort antal transistorer”, förklarar Rodolakis. “Det enskilda junctionsystemet är det minsta systemet hittills som visar dessa egenskaper, vilket har stora implikationer för den möjliga utvecklingen av neuromorfisk krets.”