Un „creier” din fire minuscule de argint învaţă în timp real, mai eficient decât inteligența artificială pe bază de computer

Lumea este entuziasmată de inteligența artificială (IA) și din motive întemeiate. Sistemele IA pot procesa cantități mari de date într-un mod aparent supraomenesc.

Cu toate acestea, sistemele actuale de inteligență artificială se bazează pe computere care rulează algoritmi complecși bazați pe rețele neuronale artificiale. Acestea consumă cantități uriașe de energie și folosesc și mai multă energie dacă încercați să lucrați cu date care se modifică în timp real.

Lucrăm la o abordare complet nouă a „inteligenței mașinilor”. În loc să folosim software de rețea neuronală artificială, am dezvoltat o rețea neuronală fizică în hardware care funcționează mult mai eficient.

Credit: Zhu / Nature Communications

Rețelele noastre neuronale, realizate din nanofire de argint, pot învăța din mers să recunoască numerele scrise de mână și să memoreze șiruri de cifre.

Rezultatele noastre au fost publicate într-o nouă lucrare din Nature Communications, realizată împreună cu colegii de la Universitatea din Sydney și Universitatea din California, Los Angeles.

O rețea aleatorie de fire minuscule

Folosind nanotehnologia, am realizat rețele de nanofire de argint având aproximativ o miime din lățimea unui fir de păr uman. Aceste nanofire formează, în mod natural, o rețea aleatorie, la fel ca grămada de bețe dintr-un joc de ridicat bețișoare.

Structura rețelei nanofirelor seamănă mult cu rețeaua de neuroni din creierul uman. Cercetarea noastră face parte dintr-un domeniu numit calcul neuromorfic, care își propune să imite o funcționalitate asemănătoare neuronilor și sinapselor din creier în hardware.

Fiecare nanofir are aproximativ o miime din lățimea unui fir de păr uman și împreună formează o rețea aleatorie care se comportă la fel ca rețeaua de neuroni din creierul uman. Credit: Zhu şi colab. / Nature Communications

Rețelele noastre de nanofire prezintă comportamente asemănătoare creierului ca răspuns la semnalele electrice. Semnalele electrice externe provoacă modificări în modul în care electricitatea este transmisă în punctele în care nanofirele se intersectează, ceea ce este similar cu modul în care funcționează sinapsele biologice.

Pot exista zeci de mii de intersecții asemănătoare sinapselor într-o rețea tipică de nanofire, ceea ce înseamnă că rețeaua poate procesa și transmite eficient informațiile transmise de semnalele electrice.

Învățare și adaptare în timp real

În studiul nostru, arătăm că, deoarece rețelele de nanofire pot răspunde la semnale care se schimbă în timp, ele pot fi utilizate pentru învățarea maşină online.

În învățarea maşină convențională, datele sunt introduse în sistem și procesate în loturi. În abordarea învățării online, putem introduce date în sistem ca un flux continuu în timp.

Cu fiecare nouă dată introdusă, sistemul învaţă şi se adaptează în timp real. Acesta demonstrează învățarea „din mers”, la care noi, oamenii, suntem buni, dar sistemele actuale de inteligență artificială nu sunt.

Învăţarea online din rețeaua noastră de nanofire este mai eficientă decât învățarea convențională bazată pe loturi din aplicațiile de IA.

Învăţarea în loturi necesită o cantitate semnificativă de memorie pentru a procesa seturi mari de date, iar sistemul trebuie adesea să treacă prin aceleași date de mai multe ori pentru a învăța. Acest lucru nu numai că necesită resurse de calcul mari, ci și consumă mai multă energie în general.

Abordarea noastră online necesită mai puțină memorie, deoarece datele sunt procesate continuu. În plus, rețeaua noastră învață din fiecare eșantion de date o singură dată, reducând semnificativ consumul de energie și făcând procesul extrem de eficient.

Recunoașterea și amintirea numerelor

Am testat rețeaua de nanofire cu o sarcină de recunoaștere a imaginii de referință folosind setul de date MNIST al cifrelor scrise de mână.

Valorile pixelilor în tonuri de gri din imagini au fost convertite în semnale electrice și introduse în rețea. După fiecare eșantion de cifre, rețeaua și-a învățat și și-a perfecționat capacitatea de a recunoaște tiparele, arătând învățarea în timp real.

Rețeaua de nanofire a învățat să recunoască numerele scrise de mână, un etalon standard pentru sistemele de învățare automată. Credit: NIST / Wikimedia , CC BY-SA

Folosind aceeași metodă de învățare, am testat, de asemenea, rețeaua de nanofire cu o sarcină de memorie care implică modele de cifre, la fel ca procesul de memorare a unui număr de telefon. Rețeaua a demonstrat capacitatea de a-și aminti cifrele anterioare din model.

În general, aceste sarcini demonstrează potențialul rețelei de a emula învățarea și memoria asemănătoare creierului.

Traducere după We built a ‘brain’ from tiny silver wires. It learns în real time, more efficiently than computer-based AI