Postavili jsme „mozek“ z drobných stříbrných drátků. Učí se v reálném čase a efektivněji než počítačová umělá inteligence

Foto: DeltaWorks/Pixabay

Svět je poblázněný umělou inteligencí (AI), a to z dobrého důvodu. Systémy AI dokážou zpracovat obrovské množství dat zdánlivě nadlidským způsobem, píše CONVERSATION. Současné systémy umělé inteligence však spoléhají na počítače se složitými algoritmy založenými na umělých neuronových sítích. Ty spotřebovávají obrovské množství energie a spotřebují ještě více energie, pokud se snažíte pracovat s daty, které se mění v reálném čase.

Pracujeme na zcela novém přístupu ke „strojové inteligenci“. Místo použití softwaru umělé neuronové sítě jsme vyvinuli fyzickou neuronovou síť v hardwaru, která funguje mnohem efektivněji.

Naše neuronové sítě, vyrobené ze stříbrných nanodrátů, se mohou za chodu naučit rozpoznávat ručně psaná čísla a zapamatovat si řetězce číslic. Naše výsledky jsou publikovány v novém článku v Nature Communications, provedeném s kolegy z University of Sydney a University of California, Los Angeles.

Náhodná síť drobných drátků

Pomocí nanotechnologie jsme vytvořili sítě ze stříbrných nanodrátů o šířce jedné tisíciny lidského vlasu. Tyto nanodrátky přirozeně tvoří náhodnou síť, podobně jako hromada tyčinek.

Síťová struktura nanodrátů vypadá hodně jako síť neuronů v našem mozku. Náš výzkum je součástí oboru zvaného neuromorphic computing, jehož cílem je napodobit funkce neuronů a synapsí v hardwaru podobné mozku.

Naše nanodrátové sítě vykazují chování podobné mozku v reakci na elektrické signály. Vnější elektrické signály způsobují změny ve způsobu přenosu elektřiny v bodech, kde se nanodrátky protínají, což je podobné tomu, jak fungují biologické synapse.

V typické nanodrátové síti mohou být desítky tisíc průsečíků podobných synapsím, což znamená, že síť může efektivně zpracovávat a přenášet informace přenášené elektrickými signály.

Učení a adaptace v reálném čase

V naší studii ukazujeme, že nanodrátové sítě mohou reagovat na signály, které se v čase mění, mohou být použity pro online strojové učení.

Při konvenčním strojovém učení jsou data vkládána do systému a zpracovávána v dávkách. V přístupu online učení můžeme data zavádět do systému jako nepřetržitý proud v čase.

S každým novým údajem se systém učí a přizpůsobuje v reálném čase. Ukazuje „za běhu“ učení, ve kterém jsme my lidé dobří, ale současné systémy umělé inteligence nikoli.

Online výukový přístup, který umožňuje naše nanodrátová síť, je efektivnější než konvenční dávkové učení v aplikacích AI.

Při dávkovém učení je ke zpracování velkých datových sad potřeba značné množství paměti a systém často potřebuje projít stejná data vícekrát, aby se naučil. To vyžaduje nejen vysoké výpočetní zdroje, ale také celkově spotřebuje více energie.

Náš online přístup vyžaduje méně paměti, protože data jsou zpracovávána nepřetržitě. Navíc se naše síť učí z každého vzorku dat pouze jednou, což výrazně snižuje spotřebu energie a činí proces vysoce efektivním.

Rozpoznávání a zapamatování čísel

Testovali jsme nanodrátovou síť pomocí referenční úlohy rozpoznávání obrazu pomocí datové sady MNIST ručně psaných číslic.

Hodnoty pixelů ve stupních šedi na snímcích byly převedeny na elektrické signály a přivedeny do sítě. Po každém vzorku číslic se síť naučila a zdokonalila svou schopnost rozpoznávat vzory a zobrazovala učení v reálném čase.

Foto: NIST/Wikimedia | CC BY-NC-SA 4.0 International

Stejnou učební metodou jsme také testovali nanodrátovou síť s paměťovou úlohou zahrnující vzory číslic, podobně jako proces zapamatování si telefonního čísla. Síť prokázala schopnost zapamatovat si předchozí číslice ve vzoru.

Celkově tyto úlohy demonstrují potenciál sítě pro emulaci učení a paměti podobné mozku. Naše práce zatím jen poškrábala povrch toho, co neuromorfní nanodrátové sítě dokážou.