Key takeaways
- En sjælden type stof kaldet spinglas kunne aktivere kunstig intelligens, der genkender objekter, som mennesker gør.
- Brugen af spinglas til printbare kredsløb kan også føre til nye former for lav-effekt computing.
- Andre typer hjerne-inspirerede chips kunne også forbedre, hvordan AI genkender billeder.
Udskrivning af kredsløb direkte på fysiske objekter kan føre til smartere kunstig intelligens (AI).
Forskere ved Los Alamos National Laboratory bruger en sjælden form for stof kendt som spinglas til at erstatte kredsløb. Spinglasets usædvanlige egenskaber muliggør en form for kunstig intelligens, der kan genkende objekter fra delvise billeder, ligesom hjernen gør.
"Spin-briller er systemer med et 'ujævnt landskab' af mulige løsninger," fort alte Cris Moore, en datalog og fysiker ved Santa Fe Institute, som ikke var involveret i Los Alamos-forskningen, til Lifewire i en e-mail. interview. "De hjælper os med at analysere, hvorfor algoritmer nogle gange hænger fast i løsninger, der ser godt ud lok alt, men som ikke er de bedst mulige."
Udskrivbare kredsløb
Brugen af spin-glas til printbare kredsløb kan også føre til nye typer lav-effekt computing. Spin-glasset giver forskere mulighed for at undersøge materialestrukturer ved hjælp af matematik. Med denne tilgang kan forskere justere interaktionen i systemer ved hjælp af elektronstrålelitografi, som bruger en fokuseret stråle af elektroner til at tegne tilpassede former på en overflade. Litografien kunne tillade udskrivning af nye typer kredsløb.
Litografien gør det muligt at repræsentere en række forskellige computerproblemer i spin-glas-netværk, ifølge et nyligt papir fra Los Alamos-teamet offentliggjort i det peer-reviewede tidsskrift Nature Physics.
"Vores arbejde gennemførte den første eksperimentelle realisering af et kunstigt spin-glas bestående af nanomagneter arrangeret til at replikere et neur alt netværk," Michael Saccone, en post-doc forsker i teoretisk fysik ved Los Alamos National Laboratory og hovedforfatter af avisen, sagde i pressemeddelelsen. "Vores papir danner grundlaget for, at vi har brug for praktisk brug af disse fysiske systemer."
Moore sammenlignede spinglas med siliciumdioxid (vinduesglas), som ser ud til at være en perfekt krystal, men efterhånden som den afkøles, sætter den sig fast i en amorf tilstand, der ligner en væske på molekylært niveau.
"På samme måde kan algoritmer sidde fast bag 'energibarrierer', der står i vejen for det globale optimum," tilføjede Moore.
Idéer fra spinglasteori kunne hjælpe forskere med at navigere i højdimensionelle landskaber.
"Denne forfølgelse har skabt et levende tværfagligt fællesskab i krydsfeltet mellem fysik, matematik og datalogi," sagde Moore."Vi kan bruge ideer fra fysikken til at bestemme fundamentale grænser for algoritmer, f.eks. hvor meget støj de kan tolerere, mens de stadig finder mønstre i data - og til at designe algoritmer, der lykkes hele vejen op til disse teoretiske grænser."
AI, der husker som mennesker
Forskerholdet undersøgte kunstigt spinglas som en måde at se på, hvad der kaldes Hopfields neurale netværk. Disse netværk modellerer menneskelig associativ hukommelse, som er evnen til at lære og huske forholdet mellem ikke-relaterede emner.
Teoretiske modeller, der beskriver spin-briller, bruges bredt i andre komplekse systemer, såsom dem, der beskriver hjernefunktion.
Med associativ hukommelse, hvis kun én hukommelse udløses, for eksempel ved at modtage et delvist billede af et ansigt som input - så kan netværket genkalde hele ansigtet. I modsætning til traditionelle algoritmer kræver associativ hukommelse ikke et identisk scenarie for at identificere en hukommelse.
Undersøgelsen foretaget af Saccone og teamet bekræftede, at spin-glas vil være nyttigt til at beskrive et systems egenskaber, og hvordan det behandler information. AI-algoritmer udviklet i spinglas ville være "messer" end traditionelle algoritmer, sagde Saccone, men også mere fleksible til nogle AI-applikationer.
"Teoretiske modeller, der beskriver spin-briller, bruges bredt i andre komplekse systemer, såsom dem, der beskriver hjernefunktion, fejlkorrigerende koder eller aktiemarkedsdynamik," sagde Saccone. "Denne brede interesse for spinglas giver stærk motivation til at skabe et kunstigt spinglas."
Andre typer hjerne-inspirerede chips kunne også forbedre, hvordan AI genkender billeder. Et nyligt papir viser, hvordan computerchips dynamisk kunne omkoble sig selv til at tage nye data ind, ligesom hjernen gør, og hjælpe AI med at blive ved med at lære over tid.
"Levende væseners hjerner kan kontinuerligt lære gennem hele deres levetid," sagde Shriram Ramanathan, professor ved Purdue Universitys School of Materials Engineering og en af avisens forfattere i en pressemeddelelse."Vi har nu skabt en kunstig platform, hvor maskiner kan lære gennem hele deres levetid."
