Inspirowana mózgiem sieć nanoprzewodowa może zrewolucjonizować sztuczną inteligencję

Sztuczna inteligencja Algorytmy uczenia maszynowego (AI) składają się z nerwowy sieci inspirowane mózgiem biologicznym. Jednak dzisiejsza standardowa architektura sprzętu komputerowego taka nie jest, dlatego uruchamianie sztucznej inteligencji na konwencjonalnym sprzęcie jest obecnie nieefektywne energetycznie. Nowe, ekscytujące badania mogą pomóc wypełnić tę lukę. A badanie przez naukowców z California NanoSystems Institute (CNSI) na Uniwersytecie Kalifornijskim w Los Angeles wraz ze współpracownikami z Uniwersytetu Sydney pokazuje inspirowany mózgiem system obliczeniowy AI oparty na sieci nanoprzewodowej, który potrafi z dużą dokładnością identyfikować odręczne liczby.

„W tym badaniu stosunkowo wysoką dokładność klasyfikacji osiągniętą dzięki nauce online (93,4%) można w dużej mierze przypisać algorytmowi iteracyjnemu, który opiera się na na rekurencyjnych najmniejszych kwadratach (RLS)” – napisał pierwszy autor Ruomin Zhu, doktorant na Uniwersytecie w Sydney, wraz ze współautorami Jamesem Gimzewskim z UCLA wybitny profesor chemii i członek CNSI, Adam Stieg, zastępca dyrektora CNSI i pracownik naukowy na UCLA, Zdenka Kuncic, profesor fizyki na Uniwersytecie Kalifornijskim University of Sydney, Alon Loeffler z University of Sydney, Joseph Lizier, profesor nadzwyczajny na University of Sydney i Sam Lilak, badacz eksperymentalny fizyk z UCLA.

W uczeniu maszynowym opartym na sztucznej inteligencji rekurencyjne metody najmniejszych kwadratów (RLS) to rodzaj algorytmu filtra adaptacyjnego znanego z szybszej zbieżności i wyższej wydajności. W porównaniu do algorytmów najmniejszych średnich kwadratów (LMS), rekurencyjne algorytmy najmniejszych kwadratów są bardziej złożone, a zatem droższe w obsłudze. Algorytmy RLS wykorzystują rekurencyjne podejście do adaptacji, którego celem jest zminimalizowanie całkowitego ważonego kwadratu błędu między sygnałem docelowym a sygnałem wyjściowym.

Na potrzeby tego badania zespół wykorzystał klasę urządzeń neuromorficznych składających się z memrystywnych sieci nanodrutów (NWN), czyli nanodrutów na bazie metalu połączonych w sieć w sposób inspirowany mózgiem biologicznym.

Nanodruty to bardzo cienkie, pełne druty, które mogą być wykonane z różnych materiałów i zwykle mają średnicę do 100 nanometrów. Nanodruty są bardzo elastyczne i mocne. Na potrzeby tego badania zespół badaczy stworzył inspirowaną mózgiem architekturę sprzętową z nanodrutami wykonanymi ze srebra i selenu (Ag₂Se) o właściwościach transportu w temperaturze pokojowej, takich jak przewodność cieplna podobna do szkła i dobra przewodność elektryczna.

Sieć nanodrutów jest ułożona na układzie wieloelektrodowym (MEA) składającym się z 16 elektrod na siatce 4 na 4, gdzie sygnał wejściowy i wyjściowy są wytwarzane za pomocą impulsów elektrycznych. Kiedy generowane są elektryczne sygnały wejściowe, sieci nanoprzewodów działają jak mózg biologiczny ze zbiorową dynamiką, taką jak krytyczność lawin, przejścia fazowe i synchronizacja przełączników.

Sieć nanoprzewodową trenowano w oparciu o odręcznie zapisaną bazę danych liczbową z Narodowego Instytutu Standardów i Technologii (NIST). Za pomocą impulsów elektrycznych trwających tysiąc sekund obrazy były przesyłane do nanosieci piksel po pikselu. Ciemne lub jasne piksele uzyskano poprzez regulację napięcia impulsów elektrycznych.

„Podsumowując, pokazaliśmy, w jaki sposób neuromorficzne urządzenia sieciowe z nanoprzewodami mogą być wykorzystywane do wykonywania zadań w Internecie sposób, ucząc się na podstawie bogatej dynamiki czasoprzestrzennej generowanej przez fizyczną sieć neuronową” – naukowcy zgłoszone. „Zasadniczo różni się to od statystycznego uczenia maszynowego opartego na danych i wykorzystującego algorytmy sztucznych sieci neuronowych”.

Copyright © 2023 Cami Rosso Wszelkie prawa zastrzeżone.