Ερευνητές στο USC Viterbi School of Engineering ανέπτυξαν τεχνητούς νευρώνες που αναπαράγουν φυσικά την περίπλοκη ηλεκτροχημική συμπεριφορά των βιολογικών εγκεφαλικών κυττάρων. Αυτή η καινοτομία, τεκμηριωμένη στο περιοδικό Nature Electronicsείναι ένα σημαντικό άλμα για τη νευρομορφική (εμπνευσμένη από τον εγκέφαλο) υπολογισμό. Σε αντίθεση με τα υπάρχοντα τσιπ που απλώς *προσομοιώνουν* την εγκεφαλική δραστηριότητα με τα μαθηματικά, αυτοί οι νέοι τεχνητοί νευρώνες την *μιμούνται* φυσικά. Αυτό έχει σημασία επειδή ο νέος σχεδιασμός είναι ένα κλάσμα του μεγέθους, χρησιμοποιεί πολύ λιγότερη ενέργεια και θα μπορούσε να είναι ένα κρίσιμο βήμα προς την οικοδόμηση τεχνητής γενικής νοημοσύνης (AGI).
Το έργο, με επικεφαλής τον καθηγητή του USC Joshua Yang, παρουσιάζει μια νέα συσκευή που ονομάζεται a διαχυτικό memristor. Εδώ είναι η βασική διαφορά: σχεδόν όλοι οι σύγχρονοι υπολογιστές, από το τηλέφωνό σας έως έναν υπερυπολογιστή, είναι κατασκευασμένοι με τεχνολογία πυριτίου που λειτουργεί ανακατεύοντας ηλεκτρόνια. Αυτό είναι απίστευτα γρήγορο, αλλά είναι επίσης απίστευτα διψασμένο για ενέργεια, ένα τεράστιο πρόβλημα για τη λειτουργία των σημερινών γιγάντων μοντέλων τεχνητής νοημοσύνης.
Ο ανθρώπινος εγκέφαλος δεν χρησιμοποιεί ηλεκτρόνια με τον ίδιο τρόπο. Είναι “wetware”. Λειτουργεί με ένα μείγμα ηλεκτρικών και χημικών σημάτων. Όταν ένα σήμα φτάνει στο τέλος ενός νευρώνα (τη σύναψη), μετατρέπεται σε χημικές ουσίες (ιόντα όπως κάλιο ή νάτριο) που ταξιδεύουν φυσικά στον επόμενο νευρώνα, μεταδίδοντας τις πληροφορίες.
Η ομάδα του καθηγητή Yang μιμήθηκε με επιτυχία αυτή τη φυσική διαδικασία. Αντί για πυρίτιο, η συσκευή τους χρησιμοποιεί ιόντα αργύρου σε ένα οξείδιο. Τα άτομα αργύρου κινούνται φυσικά για να δημιουργήσουν έναν ηλεκτρικό παλμό, μιμούμενοι τη δυναμική των ιόντων του εγκεφάλου. «Αν και δεν είναι ακριβώς τα ίδια ιόντα… η φυσική που διέπει την κίνηση των ιόντων και τη δυναμική είναι πολύ παρόμοια», λέει ο Yang. «Ο εγκέφαλος μαθαίνει μετακινώντας ιόντα στις μεμβράνες, επιτυγχάνοντας ενεργειακά αποδοτική και προσαρμοστική μάθηση απευθείας στο υλικό».
Γιατί το «wetware» είναι πιο έξυπνο από το υλικό
Το πλεονέκτημα αυτής της προσέγγισης που μοιάζει με τον εγκέφαλο δεν είναι η ταχύτητα. τα ηλεκτρόνια είναι ακόμα πιο γρήγορα. Το πλεονέκτημα είναι η αποτελεσματικότητα. Ο ανθρώπινος εγκέφαλος μπορεί να μάθει να αναγνωρίζει χειρόγραφα ψηφία αφού δει μόνο μερικά παραδείγματα, ενώ καταναλώνει μόνο περίπου Ισχύς 20 watt. Ένας υπερυπολογιστής χρειάζεται χιλιάδες παραδείγματα και καταναλώνει μεγαβάτ ενέργειας για να κάνει την ίδια εργασία.
Ο Yang εξηγεί ότι τα ηλεκτρόνια είναι «ελαφριά και πτητικά», κάτι που είναι εξαιρετικό για μάθηση βάσει λογισμικού, αλλά τρομερό για αποτελεσματικότητα. Τα ιόντα, όντας βαρύτερα, δημιουργούν πιο επίμονες αλλαγές σε επίπεδο υλικού, κάτι που μαθαίνει πραγματικά ο εγκέφαλος. Αυτή η νέα μέθοδος είναι ένα βήμα πιο κοντά στη μίμηση αυτής της φυσικής νοημοσύνης.
Ένα τεράστιο άλμα στην αποτελεσματικότητα
Οι αποδόσεις για αυτό το νέο σχέδιο είναι τεράστιες. Στον συμβατικό σχεδιασμό τσιπ, η παραποίηση ενός μόνο νευρώνα απαιτεί δεκάδες ή και εκατοντάδες τρανζίστορ. Η νέα σχεδίαση memristor διάχυσης απαιτεί το χώρο του just ένα τρανζίστορ. «Σχεδιάζουμε τα δομικά στοιχεία που θα μας οδηγήσουν τελικά να μειώσουμε το μέγεθος του τσιπ κατά τάξεις μεγέθους και να μειώσουμε την κατανάλωση ενέργειας κατά τάξεις μεγέθους», εξηγεί ο Yang.
Υπάρχουν ακόμα εμπόδια. Το ασήμι που χρησιμοποιήθηκε στο πείραμα δεν είναι συμβατό με την τυπική κατασκευή ημιαγωγών, επομένως η ομάδα θα χρειαστεί να διερευνήσει άλλα υλικά. Αλλά η απόδειξη της ιδέας είναι μια σημαντική ανακάλυψη. Με αυτά τα νέα, συμπαγή δομικά στοιχεία—τεχνητές συνάψεις και νευρώνες—το επόμενο βήμα είναι να ενσωματωθούν εκατομμύρια από αυτά σε ένα τσιπ. «Ακόμα πιο συναρπαστική», καταλήγει ο Yang, «είναι η προοπτική ότι τέτοια συστήματα πιστά στον εγκέφαλο θα μπορούσαν να μας βοηθήσουν να αποκαλύψουμε νέες ιδέες για το πώς λειτουργεί ο ίδιος ο εγκέφαλος».
VIA: DataConomy.com
