Elektrik, “Öğrenebilen” Materyalleri Bulmaya Yardım Ediyor

Argonne Ulusal Laboratuvarı’ndaki bir grup bilim insanı, öğrenme ile ilgili davranışları taklit eden canlı olmayan bir materyali gözlemleyebildi ve bunun daha iyi yapay zeka (AI) sistemlerine yol açabileceğini söylüyor.

Çalışmayı anlatan makale Advanced Intelligent Systems dergisinde yayımlandı.

Grup, nächsten nesil süper bilgisayarları geliştirmeyi hedefliyor ve ilham için insan beynine bakıyor.

Öğrenme Benzeri Davranışlar Gösteren Biyolojik Olmayan Materyaller

Beyin esinlenen bilgisayarlar geliştirmeye çalışan araştırmacılar, öğrenme benzeri davranışlar gösterebilecek biyolojik olmayan materyallere sık sık başvuruyor. Bu materyaller, yeni yazılım algoritmalarıyla eşleştirilebilecek donanımlar oluşturmak için kullanılabilir ve daha enerji verimli AI’ye olanak tanır.

Yeni çalışma, Purdue Üniversitesi’nden bilim insanları tarafından yürütüldü. Araştırmacılar, oksijen eksikliği olan nikel oksidi kısa elektriksel darbelere maruz bıraktılar ve öğrenme benzeri iki farklı elektriksel yanıt elde ettiler. Rutgers Üniversitesi profesörü Shriram Ramanathan, o zamanlar Purdue Üniversitesi’nde profesör iken, tamamen elektriksel olarak çalışan ve öğrenme davranışları gösteren bir sistem geliştirdiklerini belirtti.

Araştırma ekibi, Advanced Photon Source (APS) kaynaklarını kullandı, bu kaynak U.S. Department of Energy (DOE) Office of Science tesisinin bir parçasıdır ve DOE’nin Argonne Ulusal Laboratuvarı’nda bulunmaktadır.

Alışkanlık ve Duyarlılaşma

Oluşan ilk yanıt, materyalin hafifçe şok edildiğinde oluşabilecek alışkanlıktır. Materyalin direnci, ilk şoktan sonra artmasına rağmen, araştırmacılar materyalin elektriksel stimülasyona alıştığını belirttiler.

Fanny Rodolakis, APS’de bir fizikçi ve ışın hattı bilim insanıdır.

“Alışkanlık, havaalanının yanında yaşadığınızda oluşan şeye benzer” diyor Rodolakis. “Taşıma gününüzde ‘ne gürültü’ dersiniz, ama sonunda artık hiç dikkat etmezsiniz.”

Materyal tarafından gösterilen ikinci yanıt, daha büyük bir elektrik dozu uygulandığında oluşan duyarlılaşmadır.

“Daha büyük bir stimülasyonla, materyalin yanıtı zamanla azalmak yerine artar” diyor Rodolakis. “Korkunç bir film izlerken ve sonra birinin arkadan ‘boo!’ demesi gibi – gerçekten zıpladığını görürsünüz.”

“Canlı几乎 tüm organizmalar bu iki özelliği gösterir” diye devam ediyor Ramanathan. “Aslında zeka için temel bir yönü temsil ediyorlar.”

İki davranış, elektronlar arasındaki kuantum etkileşimleri tarafından kontrol edilir. Bu etkileşimler klasik fizik tarafından açıklanamaz ve materyalin bir faz geçişinin temelini oluşturur.

“Faz geçişinin bir örneği, sıvının katı hale gelmesidir” diyor Rodolakis. “İnceliyor olduğumuz materyal tam sınırda ve elektronik düzeyde oluşan rekabetçi etkileşimler küçük stimülasyonlarla kolayca bir yöne veya diğerine kayabilir.”

Ramanathan’a göre, tamamen elektriksel sinyallerle kontrol edilebilen bir sisteme sahip olmak çok önemlidir.

“Materyalleri bu şekilde manipüle edebilmek, donanıma zekanın bir kısmını üstlenmesini sağlayacak” diyor. “Donanıma zeka kazandırmak için kuantum özelliklerini kullanmak, enerji verimli hesaplama için önemli bir adımdır.”

Stabilite-Plastisite İkilemini Aşmak

Bilim insanları, alışkanlık ve duyarlılaşma arasındaki farkı kullanarak AI’nin geliştirilmesinde büyük bir zorluk olan stabilite-plastisite ikilemini aşabilir. Algoritmalar genellikle yeni bilgiye uyum sağlamakta zorlanırlar ve uyum sağladıklarında, genellikle daha önce edindikleri deneyimleri veya öğrendiklerini unuturlar. Bilim insanları, bir materyali alışkanlık göstermeye öğretirse, gereksiz bilgileri görmezden gelmesini veya unutmalarını ve ek stabilite elde etmelerini sağlayabilirler. Diğer yandan, duyarlılaşma, sistemi yeni bilgileri hatırlaması ve entegre etmesini öğretebilir, bu da plastisite sağlar.

“AI, genellikle yeni bilgi öğrenir ve depolarken daha önce depolanan bilgileri silmeden zorlanıyor” diyor Rodolakis. “Çok fazla stabilite, AI’nin öğrenmesini engeller, ama çok fazla plastisite, felaket niteliğinde unutmayı da beraberinde getirebilir.”

Ekibe göre, yeni çalışmanın büyük avantajlarından biri, nikel oksit cihazının küçük boyutuydu.

“Bu tür öğrenme, önceki nesil elektroniklerde büyük sayıda transistör olmadan daha önce yapılmamıştı” diye açıklıyor Rodolakis. “Tek bir bağlantı sistemi, bu özelliklere sahip olan en küçük sistem, neuromorfik devrelerin olası geliştirilmesiyle büyük etkileri var.”