Использование электричества для поиска материалов, способных обучаться

May 04, 2023

Ученые, стремящиеся создать новое поколение суперкомпьютеров, черпают вдохновение в самом сложном и энергоэффективном компьютере из когда-либо созданных: человеческом мозге.

В некоторых из своих первых попыток создания компьютеров, вдохновленных мозгом, исследователи изучают различные небиологические материалы, свойства которых можно было бы адаптировать, чтобы продемонстрировать доказательства поведения, подобного обучению. Эти материалы могут стать основой для аппаратного обеспечения, которое можно будет объединить с новыми программными алгоритмами для создания более мощного, полезного и энергоэффективного искусственного интеллекта (ИИ).

В новом исследовании Под руководством ученых из Университета Пердью исследователи подвергли оксид никеля с дефицитом кислорода воздействию коротких электрических импульсов и вызвали два различных электрических ответа, похожих на обучение. По словам профессора Университета Рутгерса Шрирама Раманатана, в результате появилась полностью электрическая система, которая демонстрирует такое обучающее поведение. (На момент написания этой работы Раманатан был профессором Университета Пердью.) Исследовательская группа использовала ресурсы Advanced Photon Source (APS), пользовательского центра Управления науки Министерства энергетики США (DOE) в Аргоннской национальной лаборатории Министерства энергетики.

Первая реакция – привыкание – возникает, когда материал «привыкает» к тому, что его слегка трясут. Ученые заметили, что, хотя сопротивление материала увеличивается после первоначального толчка, он вскоре привыкает к электрическому раздражителю. «Привыкание похоже на то, что происходит, когда вы живете рядом с аэропортом», — сказала Фанни Родолакис, физик и научный сотрудник APS. «В тот день, когда вы въезжаете, вы думаете: «Что за рэкет», но со временем уже почти не замечаете этого».

Другая реакция, которую демонстрирует этот материал, — сенсибилизация, — возникает при воздействии большей дозы электричества. «При более сильном стимуле реакция материала со временем увеличивается, а не уменьшается», — сказал Родолакис. «Это похоже на просмотр фильма ужасов, а потом кто-то говорит: «Фу!» из-за угла — видишь, оно действительно подпрыгивает».

«Практически все живые организмы демонстрируют эти две характеристики», — сказал Раманатан. «Они действительно являются основополагающим аспектом интеллекта».

Эти два поведения контролируются квантовыми взаимодействиями между электронами, которые не могут быть описаны классической физикой и которые помогают сформировать основу для фазового перехода в материале. «Примером фазового перехода является превращение жидкости в твердое состояние», — сказал Родолакис. «Материал, который мы рассматриваем, находится прямо на границе, и конкурирующие взаимодействия, происходящие на электронном уровне, могут легко измениться в ту или иную сторону с помощью небольших стимулов».

По словам Раманатана, наличие системы, которая может полностью управляться электрическими сигналами, имеет важное значение для компьютерных приложений, основанных на использовании мозга. «Возможность манипулировать материалами таким образом позволит оборудованию взять на себя часть ответственности за разведку», — пояснил он. «Использование квантовых свойств для внедрения интеллекта в аппаратное обеспечение представляет собой ключевой шаг на пути к энергоэффективным вычислениям».

Разница между привыканием и сенсибилизацией может помочь ученым преодолеть проблему в разработке ИИ, называемую дилеммой стабильности-пластичности. С одной стороны, алгоритмы искусственного интеллекта часто могут слишком неохотно адаптироваться к новой информации. Но с другой стороны, когда они это делают, они часто могут забыть кое-что из того, что уже выучили. Создав материал, способный к привыканию, ученые могут научить его игнорировать или забывать ненужную информацию и таким образом добиться дополнительной стабильности, а сенсибилизация может научить его запоминать и включать новую информацию, обеспечивая пластичность.

«ИИ часто испытывает трудности с изучением и сохранением новой информации, не перезаписывая уже сохраненную», — сказал Родолакис. «Слишком большая стабильность препятствует обучению ИИ, но слишком большая пластичность может привести к катастрофическому забыванию».

Одним из основных преимуществ нового исследования стал небольшой размер устройства из оксида никеля. «Такой тип обучения ранее не применялся в современном поколении электроники без большого количества транзисторов», — сказал Родолакис. «Эта система с одним соединением является самой маленькой системой на сегодняшний день, демонстрирующей эти свойства, что имеет большое значение для возможного развития нейроморфных схем».