电能帮助发现可以“学习”的材料

阿贡国家实验室的一组科学家能够观察到非生物材料模仿与学习相关的行为，他们说这可以带来更好的人工智能（AI）系统。

该研究论文发表在 高级智能系统 上。

该团队旨在开发下一代超级计算机，并从人类大脑中寻找灵感。

具有学习行为的非生物材料

研究人员经常寻找非生物材料，这些材料暗示它们可以表现出类似于学习的行为。这些材料可以用来构建可以与新软件算法配对的硬件，从而实现更节能的AI。

该研究由普渡大学的科学家领导。他们将缺氧的镍氧化物暴露在短暂的电脉冲下，引发了两个不同的电响应，类似于学习。根据当时在普渡大学任职的鲁特格斯大学教授Shriram Ramanathan的说法，他们开发了一个全电驱动的系统，展示了学习行为。

研究团队依赖于高级光子源（APS）的资源，APS是美国能源部（DOE）科学办公室在阿贡国家实验室的设施。

习惯化和敏化

发生的第一个反应是习惯化，当材料习惯于被轻微地“电击”时就会发生。虽然材料的电阻在初始冲击后增加，但研究人员注意到它已经习惯了电刺激。

Fanny Rodolakis 是 APS 的物理学家和束线科学家。

“习惯化就像住在机场附近，” Rodolakis 说。 “你搬进去的那天，你会想 ‘多大的噪音啊，’ 但最终你几乎不会注意到。”

材料表现出的第二种反应是敏化，当施加更大的电量时就会发生。

“随着更大的刺激，材料的反应会增加，而不是随着时间的推移而减少，” Rodolakis 说。 “这就像看一部恐怖电影，然后有人从角落后面说 ‘嘿！’ —— 你会看到它真的跳起来了。”

“几乎所有生物都表现出这两种特征，” Ramanathan 继续说。 “它们确实是智能的基础方面。”

这两种行为是由电子之间的量子相互作用控制的。这些相互作用不能用经典物理来描述，它们在材料的相变基础中发挥作用。

“相变的例子是液体变成固体，” Rodolakis 说。 “我们正在研究的材料正处于边界，电子层面上的相互作用可以很容易地被小的刺激推向一边或另一边。”

根据 Ramanathan 的说法，拥有一个完全由电信号控制的系统是至关重要的。

“能够以这种方式操纵材料将使硬件能够承担一些智能的责任，” 他说。 “使用量子特性将智能融入硬件代表着实现节能计算的关键一步。”

克服稳定性-可塑性困境

科学家可以使用习惯化和敏化之间的差异来克服稳定性-可塑性困境，这是人工智能开发中的一个重大挑战。算法经常难以适应新信息，当它们这样做时，它们经常忘记一些之前的经历或所学的东西。如果科学家创建一个可以习惯化的材料，他们可以教它忽略或忘记不必要的信息并实现额外的稳定性。另一方面，敏化可以训练系统记住和整合新信息，从而实现可塑性。

“人工智能通常很难在不覆盖已存储信息的情况下学习和存储新信息，” Rodolakis 说。 “过多的稳定性会阻止人工智能学习，但过多的可塑性会导致灾难性的遗忘。”

根据团队的说法，新研究的一个大优势是镍氧化物设备的尺寸很小。

“这种学习之前在当前电子设备中没有大量晶体管的情况下是无法实现的，” Rodolakis 解释说。 “单结系统是迄今为止展示这些特性的最小系统，这对可能的神经形态电路的发展有着重大的影响。”