Команда исследователей из Северо-Западного университета, Бостонского колледжа и Массачусетского технологического института (MIT) использовала сложную работу человеческого мозга для создания инновационного синаптического транзистора. Это продвинутое устройство не только обрабатывает информацию, но и хранит ее, отражая универсальность человеческого мозга. Недавние эксперименты команды показали, что транзистор может не только выполнять простые задачи машинного обучения, но также классифицировать данные и выполнять ассоциативное обучение.

Исследователи разработали новый тип синаптического транзистора, который имитирует комбинированные возможности обработки и памяти человеческого мозга. Это устройство может работать при комнатной температуре, отличается высокой энергоэффективностью и может выполнять сложные когнитивные задачи, такие как ассоциативное обучение, что является крупным достижением в области искусственного интеллекта. Источник изображения: СяодунЯнь/Северо-Западный университет.

Хотя в предыдущих исследованиях использовались аналогичные стратегии для разработки вычислительных устройств, основанных на мозге, эти транзисторы не могли работать в криогенных средах. Напротив, новое устройство стабильно работает при комнатной температуре. Он также работает очень быстро, потребляет очень мало энергии и сохраняет сохраненную информацию даже при отключении питания, что делает его идеальным для практического применения.

Исследование было недавно опубликовано в журнале Nature.

Имитируйте эффективность мозга

«В цифровом компьютере данные перемещаются между микропроцессором и памятью взад и вперед, что потребляет много энергии и создает узкие места при попытке одновременного выполнения нескольких задач. С другой стороны, в мозге память и обработка информации расположены рядом и полностью интегрированы, поэтому энергоэффективность на порядки выше. Наш синаптический транзистор также обеспечивает одновременную память и обработку информации, тем самым более точно имитируя работу мозга». Марк К. Херсам из Северо-Западного университета сказал, что он был одним из руководителей исследования.

Херсам — профессор Уолтера П. Мерфи на факультете материаловедения и инженерии Инженерной школы Маккормика Северо-Западного университета. Он также является заведующим кафедрой материаловедения и инженерии, директором Центра исследования материалов и инженерии и членом Международного института нанотехнологий. Херсам руководил исследованием вместе с Цьонг Ма из Бостонского колледжа и Пабло Харильо-Эрреро из Массачусетского технологического института.

Движущая сила развития

Недавние достижения в области искусственного интеллекта (ИИ) побудили исследователей разработать компьютеры, которые работают больше как человеческий мозг. Традиционные цифровые вычислительные системы имеют отдельные блоки обработки и хранения, в результате чего задачи, требующие больших объемов данных, потребляют большое количество энергии. Поскольку умные устройства продолжают собирать огромные объемы данных, исследователи работают над поиском новых способов обработки этих данных, не потребляя все больше и больше энергии. В настоящее время мемристоры, или «мемристоры», представляют собой современную технологию, которая может выполнять функции как обработки, так и хранения. Однако у мемристоров по-прежнему существует проблема высокого энергопотребления при переключении.

«На протяжении десятилетий парадигма в электронике заключалась в том, чтобы все делать на транзисторах и использовать одну и ту же кремниевую архитектуру», — сказал Хессам. «Мы прошли долгий путь, интегрируя все больше и больше транзисторов в интегральные схемы. Успех этой стратегии нельзя отрицать, но за это приходится платить высоким энергопотреблением, особенно в нынешнюю эпоху больших данных, когда цифровые вычисления приближаются к перегрузке энергосистемы. Мы должны переосмыслить вычислительное оборудование, особенно для задач искусственного интеллекта и машинного обучения».

Инновационный дизайн с использованием муарового рисунка.

Чтобы переосмыслить эту парадигму, Хессам и его команда исследовали новые достижения в физике муара. Муар — это геометрический узор, который появляется, когда два узора накладываются друг на друга. Когда двумерные материалы складываются вместе, создаются новые свойства, недоступные в одном слое материала. Когда эти слои скручиваются, образуя муаровые узоры, становится возможной беспрецедентная настройка электронных свойств.

В новом устройстве исследователи объединили два разных типа атомно тонких материалов: двухслойный графен и гексагональный нитрид бора. Когда эти два материала сложены вместе и намеренно скручены, образуются муаровые узоры. Вращая один слой относительно другого, исследователи могут добиться разных электронных свойств в каждом слое графена, даже если они различаются лишь на атомном уровне. Выбрав правильный поворот, исследователи использовали физику муара для достижения нейроморфной функциональности при комнатной температуре.

«Поскольку поворот является новым параметром конструкции, существует множество вариантов», — сказал Хессам. «Графен и гексагональный нитрид бора очень похожи по структуре, но достаточно различны, чтобы создавать необычайно сильный муаровый эффект».

Расширенные функции и тестирование

Чтобы протестировать транзистор, Хессам и его команда научили его распознавать похожие, но не идентичные закономерности. Чуть ранее в этом месяце Хессам представил новое наноэлектронное устройство, способное анализировать и классифицировать данные энергоэффективным способом, но его новый синаптический транзистор продвигает машинное обучение и искусственный интеллект на шаг дальше.

«Если цель ИИ — имитировать человеческое мышление, то одной из задач самого низкого уровня является классификация данных, то есть просто классификация их по категориям», — сказал Хессам. «Наша цель — подтолкнуть технологию искусственного интеллекта к мышлению более высокого уровня. Реальные условия зачастую более сложны, чем могут справиться существующие алгоритмы искусственного интеллекта, поэтому мы протестировали наше новое устройство в более сложных условиях, чтобы проверить его расширенные возможности».

Сначала исследователи показали устройству шаблон: 000 (три нуля подряд). Затем они попросили ИИ идентифицировать похожие шаблоны, например 111 или 101. «Если мы научим его обнаруживать 000, а затем дадим ему 111 и 101, он поймет, что 111 больше похоже на 000, чем на 101. 000 и 111 не совсем одинаковы, но оба представляют собой последовательные трехзначные числа. Распознавание этого сходства является формой познания более высокого уровня, известной как ассоциативная. обучение», — объяснил Хессам.

В экспериментах новый синаптический транзистор успешно распознал подобные закономерности, продемонстрировав возможности своей ассоциативной памяти. Даже когда исследователи бросали ему сложные задачи, например, давали ему неполные шаблоны, ему все равно удавалось продемонстрировать ассоциативное обучение.

Существующий искусственный интеллект легко запутать, что в некоторых случаях может вызвать серьезные проблемы. Представьте себе, что вы использовали беспилотный автомобиль, а погодные условия ухудшились. Транспортные средства могут быть не в состоянии интерпретировать более сложные данные датчиков так же, как водители. Но даже если мы дадим транзистору несовершенный входной сигнал, он все равно сможет распознать правильный ответ.

Источник составления: ScitechDaily.