Czerpiąc inspirację z ludzkiego mózgu, badacze opracowali nowy tranzystor synaptyczny zdolny do myślenia na wyższym poziomie.
Zaprojektowane przez naukowców z Northwestern University, Boston College i Massachusetts Institute of Technology (MIT), urządzenie jednocześnie przetwarza i przechowuje informacje tak samo jak ludzki mózg. W nowych eksperymentach naukowcy wykazali, że tranzystor wykracza poza proste zadania uczenia maszynowego i kategoryzuje dane i jest w stanie przeprowadzać uczenie się asocjacyjne.
Chociaż w poprzednich badaniach wykorzystano podobne strategie do opracowania urządzeń komputerowych przypominających mózg, tranzystory te nie mogą działać poza temperaturami kriogenicznymi. Natomiast nowe urządzenie jest stabilne w temperaturach pokojowych. Działa również z dużą szybkością, zużywa bardzo mało energii i zachowuje zapisane informacje nawet po odłączeniu zasilania, co czyni go idealnym do zastosowań w świecie rzeczywistym.
Badanie zostanie opublikowane w środę (20 grudnia) w czasopiśmie Nature.
„Mózg ma zasadniczo inną architekturę niż komputer cyfrowy” – powiedział Mark C. Hersam z Northwestern, który współkierował badaniami. „W komputerze cyfrowym dane przemieszczają się tam i z powrotem pomiędzy mikroprocesorem a pamięcią, co zużywa dużo energii i tworzy wąskie gardło przy próbie wykonywania wielu zadań jednocześnie. Z drugiej strony w mózgu, pamięci i informacji przetwarzanie są zlokalizowane w tym samym miejscu i w pełni zintegrowane, co skutkuje o rząd wielkości wyższą efektywnością energetyczną. Nasz tranzystor synaptyczny w podobny sposób osiąga funkcjonalność jednoczesnej pamięci i przetwarzania informacji, aby wierniej naśladować mózg.
Hersam jest profesorem nauk o materiałach i inżynierii Waltera P. Murphy'ego w McCormick School of Engineering w Northwestern. Jest także kierownikiem katedry inżynierii i inżynierii materiałowej, dyrektorem Centrum Nauki i Inżynierii Materiałów oraz członkiem Międzynarodowego Instytutu Nanotechnologii. Hersam współprowadziła badania wraz z Qiong Ma z Boston College i Pablo Jarillo-Herrero z MIT.
Niedawne postępy w dziedzinie sztucznej inteligencji (AI) zmotywowały badaczy do opracowania komputerów działających bardziej na wzór ludzkiego mózgu. Konwencjonalne, cyfrowe systemy komputerowe mają oddzielne jednostki przetwarzające i przechowujące, co powoduje, że zadania wymagające dużej ilości danych pochłaniają duże ilości energii. Ponieważ inteligentne urządzenia stale gromadzą ogromne ilości danych, badacze starają się odkryć nowe sposoby przetwarzania ich bez zużywania coraz większej ilości energii. Obecnie rezystor pamięci, czyli „memrystor”, to najlepiej rozwinięta technologia, która może wykonywać połączone funkcje przetwarzania i pamięci. Jednak memrystory nadal borykają się z kosztownymi energetycznie przełączaniami.
„Od kilkudziesięciu lat paradygmatem w elektronice jest budowanie wszystkiego z tranzystorów i stosowanie tej samej architektury krzemowej” – powiedział Hersam. „Osiągnięto znaczący postęp poprzez proste umieszczanie coraz większej liczby tranzystorów w układach scalonych. Nie można zaprzeczyć sukcesowi tej strategii, ale odbywa się to kosztem dużego zużycia energii, szczególnie w obecnej epoce dużych zbiorów danych, w której wykorzystuje się obliczenia cyfrowe toru, aby przeciążyć sieć. Musimy ponownie przemyśleć sprzęt komputerowy, szczególnie pod kątem zadań związanych ze sztuczną inteligencją i uczeniem maszynowym.
Aby przemyśleć na nowo ten paradygmat, Hersam i jego zespół zbadali nowe osiągnięcia w fizyce wzorów mory, rodzaju wzoru geometrycznego, który powstaje, gdy dwa wzory są ułożone jeden na drugim. Kiedy materiały dwuwymiarowe są układane jeden na drugim, pojawiają się nowe właściwości, które nie istnieją tylko w jednej warstwie. A kiedy te warstwy zostaną skręcone, tworząc wzór mory, możliwa staje się niespotykana dotąd możliwość regulacji właściwości elektronicznych.
W nowym urządzeniu naukowcy połączyli dwa różne rodzaje atomowo cienkich materiałów: dwuwarstwowy grafen i sześciokątny azotek boru. Materiały ułożone w stosy i celowo skręcone tworzyły wzór mory. Obracając jedną warstwę względem drugiej, badacze mogli uzyskać różne właściwości elektroniczne w każdej warstwie grafenu, nawet jeśli oddzielają je jedynie wymiary w skali atomowej. Dzięki odpowiedniemu wyborowi skrętu badacze wykorzystali fizykę mory do uzyskania funkcjonalności neuromorficznej w temperaturze pokojowej.
„W przypadku skrętu jako nowego parametru projektowego liczba permutacji jest ogromna” – powiedział Hersam. „Grafen i sześciokątny azotek boru są bardzo podobne strukturalnie, ale na tyle różne, że można uzyskać wyjątkowo silny efekt mory”.
Aby przetestować tranzystor, Hersam i jego zespół przeszkolili go w zakresie rozpoznawania podobnych – ale nie identycznych – wzorców. Nieco wcześniej w tym miesiącu Hersam wprowadził nowe urządzenie nanoelektroniczne zdolne do analizowania i kategoryzowania danych w energooszczędny sposób, ale jego nowy tranzystor synaptyczny posuwa uczenie maszynowe i sztuczną inteligencję o krok dalej.
„Jeśli sztuczna inteligencja ma naśladować ludzki sposób myślenia, jednym z zadań najniższego poziomu byłaby klasyfikacja danych, czyli po prostu sortowanie ich do koszy” – powiedział Hersam. „Naszym celem jest rozwój technologii sztucznej inteligencji w kierunku myślenia wyższego poziomu. Warunki w świecie rzeczywistym są często bardziej skomplikowane, niż są w stanie obsłużyć obecne algorytmy sztucznej inteligencji, dlatego testowaliśmy nasze nowe urządzenia w bardziej skomplikowanych warunkach, aby zweryfikować ich zaawansowane możliwości”.
Najpierw badacze pokazali urządzeniu jeden wzór: 000 (trzy zera z rzędu). Następnie poprosili sztuczną inteligencję o zidentyfikowanie podobnych wzorców, takich jak 111 lub 101. „Gdybyśmy wyszkolili ją do wykrywania 000, a następnie podali 111 i 101, wiedziałaby, że 111 jest bardziej podobne do 000 niż 101” – wyjaśnił Hersam. „000 i 111 nie są dokładnie takie same, ale obie są trzema cyframi z rzędu. Uznanie, że podobieństwo jest formą poznania wyższego poziomu, znaną jako uczenie się skojarzeniowe”.
W eksperymentach nowy tranzystor synaptyczny z powodzeniem rozpoznał podobne wzorce, wykazując swoją pamięć skojarzeniową. Nawet gdy badacze rzucali krętymi łamigłówkami – na przykład nadając im niekompletne wzorce – i tak z powodzeniem zademonstrowali uczenie się skojarzeniowe.
„Obecna sztuczna inteligencja może być łatwa do pomylenia, co może powodować poważne problemy w niektórych kontekstach” – powiedział Hersam. „Wyobraźmy sobie, że korzystasz z pojazdu autonomicznego i warunki pogodowe ulegają pogorszeniu. Pojazd może nie być w stanie zinterpretować bardziej skomplikowanych danych z czujników tak dobrze, jak mógłby to zrobić kierowca. Jednak nawet jeśli sygnał wejściowy naszego tranzystora będzie niedoskonały, nadal potrafił zidentyfikować prawidłową odpowiedź.”
Badanie „Tranzystor synaptyczny Moiré z funkcjonalnością neuromorficzną w temperaturze pokojowej” zostało wsparte głównie przez National Science Foundation.