ไฟฟ้าช่วยค้นหาวัสดุที่สามารถ “เรียนรู้”

ทีมนักวิทยาศาสตร์ที่ Argonne National Laboratory สามารถสังเกตวัสดุที่ไม่มีชีวิตเลียนแบบพฤติกรรมที่เกี่ยวข้องกับการเรียนรู้ ซึ่งพวกเขากล่าวว่าสามารถนำไปสู่ระบบปัญญาประดิษฐ์ (AI) ที่ดีขึ้น

บทความที่อธิบายการศึกษานี้ได้รับการตีพิมพ์ใน Advanced Intelligent Systems

กลุ่มนี้มีเป้าหมายที่จะพัฒนาสupercomputer รุ่นต่อไปและหันมาใช้แรงบันดาลใจจากสมองของมนุษย์

วัสดุไม่มีชีวิตที่มีพฤติกรรมคล้ายการเรียนรู้

นักวิจัยที่พยายามสร้างคอมพิวเตอร์ที่ได้รับแรงบันดาลใจจากสมองมักจะหันไปใช้วัสดุไม่มีชีวิตที่แสดงให้เห็นว่าอาจมีพฤติกรรมคล้ายการเรียนรู้ได้ วัสดุเหล่านี้สามารถใช้ในการสร้างฮาร์ดแวร์ที่สามารถจับคู่กับอัลกอริทึมซอฟต์แวร์ใหม่ๆ เพื่อให้ได้ AI ที่มีประสิทธิภาพการใช้พลังงานมากขึ้น

การศึกษานี้นำโดยนักวิทยาศาสตร์จาก Purdue University พวกเขาได้ทำการเปิดเผยออกซิเจนที่ไม่เพียงพอในนิกเกิลออกไซด์ต่อการปล่อยกระแสไฟฟ้าแบบสั้นๆ และทำให้เกิดสองการตอบสนองทางไฟฟ้าที่แตกต่างกันคล้ายกับการเรียนรู้ ตามที่ Shriram Ramanathan ศาสตราจารย์จาก Rutgers University ซึ่งเป็นศาสตราจารย์ที่ Purdue University ในขณะนั้น พวกเขาได้พัฒนาระบบที่ขับเคลื่อนโดยไฟฟ้าทั้งหมดที่แสดงให้เห็นถึงพฤติกรรมการเรียนรู้

ทีมวิจัยได้พึ่งพาแหล่งข้อมูลของ Advanced Photon Source (APS) ซึ่งเป็นสถานที่ของ Office of Science ของกระทรวงพลังงานสหรัฐฯ (DOE) ที่ Argonne National Laboratory

การทำให้เคยชินและเพิ่มความไว

การตอบสนองแรกที่เกิดขึ้นคือการทำให้เคยชิน ซึ่งเกิดขึ้นเมื่อวัสดุได้รับการกระตุ้นไฟฟ้าเล็กน้อย แม้ว่าความต้านทานของวัสดุจะเพิ่มขึ้นหลังจากการกระตุ้นเริ่มแรก แต่นักวิจัยสังเกตเห็นว่าวัสดุได้เคยชินกับการกระตุ้นไฟฟ้า

Fanny Rodolakis เป็นนักฟิสิกส์และนักวิทยาศาสตร์ด้านการปล่อยรังสีที่ APS

“การทำให้เคยชินคล้ายกับเมื่อคุณอาศัยอยู่ใกล้สนามบิน” Rodolakis กล่าว “วันแรกที่คุณย้ายเข้ามา คุณคิดว่า ‘มันเสียงดังมาก’ แต่หลังจากนั้นคุณแทบจะไม่สังเกตเห็นอีกต่อไป”

การตอบสนองที่สองที่วัสดุแสดงให้เห็นคือการเพิ่มความไว ซึ่งเกิดขึ้นเมื่อมีการให้กระแสไฟฟ้าขนาดใหญ่ขึ้น

“เมื่อมีการกระตุ้นขนาดใหญ่ขึ้น การตอบสนองของวัสดุจะเพิ่มขึ้นแทนที่จะลดลงเมื่อเวลาผ่านไป” Rodolakis กล่าว “มันคล้ายกับการดูหนังที่น่ากลัว แล้วมีคนพูด ‘บู้!’ จากด้านหลังมุม — คุณจะเห็นว่ามันกระโดดขึ้นมา”

“เกือบทุกสิ่งมีชีวิตแสดงให้เห็นถึงลักษณะทั้งสองนี้” Ramanathan กล่าวต่อ “มันคือลักษณะพื้นฐานของความฉลาด”

พฤติกรรมทั้งสองนี้ถูกควบคุมโดยปฏิสัมพันธ์ควอนตัมที่เกิดขึ้นระหว่างอิเล็กตรอน ปฏิสัมพันธ์เหล่านี้ไม่สามารถอธิบายได้ด้วยฟิสิกส์แบบดั้งเดิม และมีบทบาทในการก่อตัวของการเปลี่ยนเฟสในวัสดุ

“ตัวอย่างของการเปลี่ยนเฟสคือของเหลวที่กลายเป็นของแข็ง” Rodolakis กล่าว “วัสดุที่เรากำลังมองหานั้นอยู่บนพื้นที่สิ้นเปลือง และปฏิสัมพันธ์ที่แข่งขันกันที่เกิดขึ้นที่ระดับอิเล็กทรอนิกส์สามารถถูกบิดเบือนได้ง่ายๆ โดยการกระตุ้นเล็กๆ น้อยๆ”

ตาม Ramanathan มันจำเป็นต้องมีระบบที่สามารถควบคุมได้ทั้งหมดโดยสัญญาณไฟฟ้า

“การสามารถควบคุมวัสดุในลักษณะนี้จะช่วยให้ฮาร์ดแวร์สามารถรับหน้าที่บางส่วนของความฉลาด” เขากล่าว “การใช้คุณสมบัติควอนตัมเพื่อนำความฉลาดเข้าสู่ฮาร์ดแวร์เป็นขั้นตอนที่สำคัญในการพัฒนาคอมพิวเตอร์ที่มีประสิทธิภาพการใช้พลังงาน”

การเอาชนะความท้าทายของเสถียรภาพและความยืดหยุ่น

นักวิทยาศาสตร์สามารถใช้ความแตกต่างระหว่างการทำให้เคยชินและการเพิ่มความไวเพื่อเอาชนะความท้าทายของเสถียรภาพและความยืดหยุ่น ซึ่งเป็นความท้าทายหลักในการพัฒนาปัญญาประดิษฐ์ อัลกอริทึมมักจะดิ้นรนในการปรับตัวให้เข้ากับข้อมูลใหม่ และเมื่อทำได้ มักจะลืมบางส่วนของประสบการณ์หรือสิ่งที่ได้เรียนรู้ก่อนหน้านี้ หากนักวิทยาศาสตร์สร้างวัสดุที่สามารถทำให้เคยชินได้ พวกเขาสามารถสอนให้วัสดุเพิกเฉยหรือลืมข้อมูลที่ไม่จำเป็นและเพิ่มเสถียรภาพ ในทางกลับกัน การเพิ่มความไวสามารถฝึกให้ระบบจดจำและบูรณาการข้อมูลใหม่ ซึ่งช่วยให้เกิดความยืดหยุ่น

“AI มักจะดิ้นรนในการเรียนรู้และจัดเก็บข้อมูลใหม่โดยไม่ลบข้อมูลที่มีอยู่แล้ว” Rodolakis กล่าว “เสถียรภาพที่มากเกินไปจะป้องกันไม่ให้ AI เรียนรู้ แต่ความยืดหยุ่นที่มากเกินไปอาจทำให้เกิดการลืมที่รุนแรง”

ตามทีมวิจัย หนึ่งในข้อได้เปรียบใหญ่ของการศึกษานี้คือขนาดที่เล็กของอุปกรณ์นิกเกิลออกไซด์

“การเรียนรู้ประเภทนี้ไม่เคยทำได้ในรุ่นปัจจุบันของอิเล็กทรอนิกส์โดยไม่ต้องใช้ทรานซิสเตอร์จำนวนมาก” Rodolakis อธิบาย “ระบบจุดเดียวเป็นระบบที่เล็กที่สุดจนถึงปัจจุบันที่แสดงให้เห็นถึงคุณสมบัติเหล่านี้ ซึ่งมีผลกระทบใหญ่ในการพัฒนาคircuitry ที่คล้ายกับสมอง”