El hjälper till att hitta material som kan "lära sig"

Ett team av forskare vid Argonne National Laboratory kunde observera ett icke-levande material som efterliknar inlärning, vilket de säger kan leda till bättre system för artificiell intelligens (AI).

Uppsatsen som beskriver studien publicerades i Avancerade intelligenta system.

Gruppen siktar på att utveckla nästa generation av superdatorer och blicka mot den mänskliga hjärnan för inspiration.

Icke-biologiska material med inlärningsliknande beteenden

Forskare som vill göra hjärninspirerade datorer vänder sig ofta till icke-biologiska material som antyder att de kan ta upp inlärningsliknande beteenden. Dessa material kan användas för att bygga hårdvara som kan paras ihop med nya mjukvarualgoritmer, vilket möjliggör mer energieffektiv AI.

Den nya studien leddes av forskare från Purdue University. De exponerade syrebrist nickeloxid för korta elektriska pulser och framkallade två olika elektriska svar som liknar inlärning. Enligt Rutgers University-professorn Shriram Ramanathan, som var professor vid Purdue University vid tiden för arbetet, kom de fram till ett helt elektriskt drivet system som visade inlärningsbeteenden.

Forskargruppen förlitade sig på resurserna från Advanced Photon Source (APS), en US Department of Energy (DOE) Office of Science-anläggning vid DOE:s Argonne National Laboratory.

Tillvänjning och sensibilisering

Det första svaret som uppstår är tillvänjning, som sker när materialet vänjer sig vid att vara lätt zappad. Även om materialets motstånd ökar efter ett första stöt, noterade forskarna att det vänjer sig vid den elektriska stimulansen.

Fanny Rodolakis är fysiker och strållinjeforskare vid APS.

"Vanning är som vad som händer när du bor nära en flygplats," säger Rodolakis. "Den dag du flyttar in tänker du "vilket rackare", men till slut märker du knappt längre."

Det andra svaret som materialet visar är sensibilisering, som uppstår när en större dos elektricitet administreras.

"Med en större stimulans växer materialets respons istället för att minska med tiden", säger Rodolakis. "Det är som att titta på en läskig film och sedan låta någon säga "boo!" bakom ett hörn - du ser det verkligen hoppa."

"Ganska mycket alla levande organismer visar dessa två egenskaper," fortsätter Ramanathan. "De är verkligen en grundläggande aspekt av intelligens."

De två beteendena styrs av kvantinteraktioner som äger rum mellan elektroner. Dessa interaktioner kan inte beskrivas av klassisk fysik, och de spelar en roll i att utgöra grunden för en fasövergång i materialet.

"Ett exempel på en fasövergång är att en vätska blir en fast substans", säger Rodolakis. "Materialet vi tittar på är precis vid gränsen, och de konkurrerande interaktionerna som pågår på elektronisk nivå kan lätt tippas på ett eller annat sätt av små stimuli."

Enligt Ramanathan är det väsentligt att ha ett system som helt kan styras av elektriska signaler.

"Att kunna manipulera material på det här sättet kommer att tillåta hårdvara att ta på sig en del av ansvaret för intelligens", säger han. "Att använda kvantegenskaper för att få in intelligens i hårdvara är ett nyckelsteg mot energieffektiv datoranvändning."

Att övervinna stabilitet-plasticitetsdilemmat

Forskare kan använda skillnaden mellan tillvänjning och sensibilisering för att övervinna stabilitet-plasticitetsdilemmat, vilket är en stor utmaning i utvecklingen av AI. Algoritmer kämpar ofta för att anpassa sig till ny information, och när de gör det glömmer de ofta några av sina tidigare erfarenheter eller vad de har lärt sig. Om vetenskapsmän skapar ett material som kan vänja sig, kan de lära det att ignorera eller glömma onödig information och uppnå ytterligare stabilitet. Å andra sidan kan sensibilisering träna systemet att komma ihåg och införliva ny information, vilket möjliggör plasticitet.

"AI har ofta svårt att lära sig och lagra ny information utan att skriva över information som redan har lagrats", säger Rodolakis. "För mycket stabilitet hindrar AI från att lära sig, men för mycket plasticitet kan leda till katastrofal glömska."

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

"Den här typen av lärande hade tidigare inte gjorts i den nuvarande generationen av elektronik utan ett stort antal transistorer," förklarar Rodolakis. "Single junction-systemet är det minsta systemet hittills för att visa dessa egenskaper, vilket har stora konsekvenser för den möjliga utvecklingen av neuromorfa kretsar."