Edge of chaos åbner vejen til kunstig intelligens-opdagelser

Forskere ved University of Sydney og Japans National Institute for Material Science (NIMS) har opdaget, at et kunstigt netværk af nanotråde kan indstilles til at reagere på en hjernelignende måde, når de stimuleres elektrisk.

Det internationale hold, ledet af Joel Hochstetter med professor Zdenka Kuncic og professor Tomonobu Nakayama, fandt ud af, at ved at holde netværket af nanotråde i en hjernelignende tilstand "på kanten af ​​kaos", den udførte opgaver på et optimalt niveau.

Det her, de siger, antyder, at den underliggende natur af neural intelligens er fysisk, og deres opdagelse åbner en spændende vej til udvikling af kunstig intelligens.

Undersøgelsen er offentliggjort i dag i Naturkommunikation.

"Vi brugte ledninger 10 mikrometer lange og ikke tykkere end 500 nanometer arrangeret tilfældigt på et todimensionalt plan, " sagde hovedforfatter Joel Hochstetter, en doktorgradskandidat ved University of Sydney Nano Institute og School of Physics.

"Hvor ledningerne overlapper hinanden, de danner en elektrokemisk forbindelse, ligesom synapserne mellem neuroner, " sagde han. "Vi fandt ud af, at elektriske signaler sendt gennem dette netværk automatisk finder den bedste rute til at overføre information. Og denne arkitektur gør det muligt for netværket at 'huske' tidligere veje gennem systemet."

På kanten af ​​kaos

Ved hjælp af simuleringer, forskerholdet testede det tilfældige nanowire-netværk for at se, hvordan man får det bedst muligt til at løse simple opgaver.

Hvis signalet, der stimulerede netværket, var for lavt, så var veje for forudsigelige og velordnede og producerede ikke komplekse nok output til at være nyttige. Hvis det elektriske signal overvældede netværket, outputtet var fuldstændig kaotisk og ubrugeligt til problemløsning.

Det optimale signal til at producere et nyttigt output var på kanten af ​​denne kaotiske tilstand.

"Nogle teorier inden for neurovidenskab tyder på, at det menneskelige sind kunne operere på denne kant af kaos, eller det, der kaldes den kritiske tilstand, " sagde professor Kuncic fra University of Sydney. "Nogle neurovidenskabsmænd tror, ​​det er i denne tilstand, hvor vi opnår maksimal hjerneydelse."

Professor Kuncic er hr. Hochstetters ph.d. rådgiver og er i øjeblikket Fulbright Scholar ved University of California i Los Angeles, arbejder i krydsfeltet mellem nanovidenskab og kunstig intelligens.

Hun sagde:"Det, der er så spændende ved dette resultat, er, at det antyder, at disse typer af nanowire-netværk kan indstilles til regimer med forskellige, hjernelignende kollektiv dynamik, som kan udnyttes til at optimere informationsbehandlingen."

Overvinde computerdualitet

I nanowire-netværket tillader samlingerne mellem ledningerne systemet at inkorporere hukommelse og operationer i et enkelt system. Dette er i modsætning til almindelige computere, som adskiller hukommelse (RAM) og operationer (CPU'er).

"Disse kryds fungerer som computertransistorer, men med den ekstra egenskab at huske, at signaler har rejst den vej før. Som sådan, de kaldes 'memristorer', " sagde hr. Hochstetter.

Denne hukommelse antager en fysisk form, hvor krydsene ved krydsningspunkterne mellem nanotråde fungerer som kontakter, hvis adfærd afhænger af historisk respons på elektriske signaler. Når signaler påføres på tværs af disse kryds, små sølvfilamenter vokser og aktiverer krydsene ved at lade strøm strømme igennem.

"Dette skaber et hukommelsesnetværk i det tilfældige system af nanotråde, " han sagde.

Hr. Hochstetter og hans team byggede en simulering af det fysiske netværk for at vise, hvordan det kunne trænes til at løse meget simple opgaver.

"Til denne undersøgelse trænede vi netværket til at transformere en simpel bølgeform til mere komplekse typer bølgeformer, " sagde hr. Hochstetter.

I simuleringen justerede de amplituden og frekvensen af ​​det elektriske signal for at se, hvor den bedste ydeevne fandt sted.

"Vi fandt ud af, at hvis du presser signalet for langsomt, gør netværket bare det samme igen og igen uden at lære og udvikle sig. Hvis vi pressede det for hårdt og hurtigt, netværket bliver uregelmæssigt og uforudsigeligt, " han sagde.

Forskere fra University of Sydney arbejder tæt sammen med samarbejdspartnere ved International Center for Materials Nanoarchictectonics ved NIMS i Japan og UCLA, hvor professor Kuncic er gæstende Fulbright Scholar. Nanotrådssystemerne blev udviklet på NIMS og UCLA, og hr. Hochstetter udviklede analysen, samarbejde med medforfattere og ph.d.-kolleger, Ruomin Zhu og Alon Loeffler.

Reduktion af energiforbrug

Professor Kuncic sagde, at det at forene hukommelse og operationer har enorme praktiske fordele for den fremtidige udvikling af kunstig intelligens.

"Algorithmer, der er nødvendige for at træne netværket til at vide, hvilket kryds der skal tildeles den passende 'belastning' eller vægt af information, tygger en masse strøm op, " hun sagde.

"De systemer, vi udvikler, fjerner behovet for sådanne algoritmer. Vi tillader bare netværket at udvikle sin egen vægtning, hvilket betyder, at vi kun behøver at bekymre os om signal ind og signal ud, en ramme kendt som 'reservoir computing'. Netværksvægtene er selvtilpassende, potentielt frigøre store mængder energi."

Det her, hun sagde, betyder, at alle fremtidige kunstige intelligenssystemer, der bruger sådanne netværk, vil have meget lavere energifodspor.