Ny reservoircomputer markerer den første mikroelektromekaniske neurale netværksapplikation nogensinde

I takt med at kunstig intelligens er blevet mere og mere sofistikeret, det har inspireret til fornyede bestræbelser på at udvikle computere, hvis fysiske arkitektur efterligner den menneskelige hjerne. En tilgang, kaldet reservoir computing, gør det muligt for hardwareenheder at opnå de højere dimensionsberegninger, der kræves af ny kunstig intelligens. En ny enhed fremhæver potentialet ved ekstremt små mekaniske systemer til at opnå disse beregninger.

En gruppe forskere ved Université de Sherbrooke i Québec, Canada, rapporterer konstruktionen af ​​den første reservoircomputerenhed bygget med et mikroelektromekanisk system (MEMS). Udgivet i Journal of Applied Physics , det neurale netværk udnytter den ikke-lineære dynamik af en mikroskala siliciumstråle til at udføre sine beregninger. Gruppens arbejde går ud på at skabe enheder, der kan fungere på samme tid som en sensor og en computer ved at bruge en brøkdel af den energi, en normal computer ville bruge.

Artiklen vises i en særlig emnesektion af tidsskriftet, der er viet til "New Physics and Materials for Neuromorphic Computation, "som fremhæver nye udviklinger inden for fysisk og materialevidenskabelig forskning, der lover at udvikle den meget storstilede, morgendagens integrerede "neuromorfe" systemer, der vil bære beregninger ud over begrænsningerne for nuværende halvledere i dag.

"Denne slags beregninger udføres normalt kun i software, og computere kan være ineffektive, " sagde Guillaume Dion, en forfatter på papiret. "Mange af sensorerne i dag er bygget med MEMS, så enheder som vores ville være ideel teknologi til at udviske grænsen mellem sensorer og computere."

Enheden er afhængig af den ikke-lineære dynamik af, hvordan siliciumstrålen, i bredder 20 gange tyndere end et menneskehår, svinger i rummet. Resultaterne fra denne oscillation bruges til at konstruere et virtuelt neuralt netværk, der projicerer inputsignalet ind i det højere dimensionelle rum, der kræves til neurale netværksdatabehandling.

I demonstrationer, systemet var i stand til at skifte mellem forskellige almindelige benchmark-opgaver for neurale netværk med relativ lethed, Dion sagde, herunder klassificering af talte lyde og behandling af binære mønstre med en nøjagtighed på henholdsvis 78,2 procent og 99,9 procent.

"Denne lille stråle af silicium kan udføre meget forskellige opgaver, " sagde Julien Sylvestre, en anden forfatter på papiret. "Det er overraskende nemt at justere det, så det klarer sig godt til at genkende ord."

Sylvestre sagde, at han og hans kolleger søger at udforske stadigt mere komplicerede beregninger ved hjælp af siliciumstråleenheden, med håbet om at udvikle små og energieffektive sensorer og robotcontrollere.