Et samarbejdende forskerhold fra NIMS og Tokyo University of Science har med succes udviklet en kunstig intelligens (AI) enhed, der udfører hjernelignende informationsbehandling gennem få-molekyle reservoir computing. Denne innovation udnytter de molekylære vibrationer fra et udvalgt antal organiske molekyler.
Ved at anvende denne enhed til forudsigelse af blodsukkerniveau hos patienter med diabetes, har den udkonkurreret eksisterende AI-enheder med hensyn til forudsigelsesnøjagtighed.
Værket er publiceret i tidsskriftet Science Advances .
Med udvidelsen af maskinlæringsapplikationer i forskellige industrier er der en eskalerende efterspørgsel efter AI-enheder, der ikke kun er meget beregningsorienterede, men som også har lavt strømforbrug og miniaturisering.
Forskning har skiftet i retning af fysisk reservoirberegning og udnytter fysiske fænomener præsenteret af materialer og enheder til neural informationsbehandling. En udfordring, der er tilbage, er den relativt store størrelse af de eksisterende materialer og enheder.
Holdets forskning har været banebrydende for verdens første implementering af fysisk reservoir-beregning, der opererer efter princippet om overfladeforstærket Raman-spredning, der udnytter de molekylære vibrationer af blot nogle få organiske molekyler. Informationen indlæses gennem ion-gating, som modulerer adsorptionen af hydrogenioner på organiske molekyler (p-mercaptobenzoesyre, pMBA) ved at påføre spænding.
Ændringerne i molekylære vibrationer af pMBA-molekylerne, som varierer med hydrogenionadsorption, tjener funktionen af hukommelse og ikke-lineær bølgeformtransformation til beregning.
Denne proces, ved hjælp af en sparsom samling af pMBA-molekyler, har lært omkring 20 timer af en diabetespatients blodsukkerniveauændringer og formået at forudsige efterfølgende udsving i løbet af de næste fem minutter med en fejlreduktion på omkring 50 % sammenlignet med den højeste nøjagtighed opnået af lignende enheder til dato.
Denne undersøgelse indikerer, at en minimal mængde organiske molekyler effektivt kan udføre beregninger, der kan sammenlignes med en computer. Dette teknologiske gennembrud med at udføre sofistikeret informationsbehandling med minimale materialer og i små rum giver betydelige praktiske fordele. Det baner vejen for skabelsen af AI-terminalenheder med lav effekt, der kan integreres med en række sensorer, hvilket åbner muligheder for bred industriel brug.
Flere oplysninger: Daiki Nishioka et al., Få- og enkeltmolekyle-reservoir-beregning eksperimentelt demonstreret med overfladeforstærket Raman-spredning og ion-porting, Science Advances (2024). DOI:10.1126/sciadv.adk6438
Journaloplysninger: Videnskabelige fremskridt
Leveret af National Institute for Materials Science
Sidste artikelForskere lærer af larver, hvordan man skaber selvsamlende kapsler til medicinafgivelse
Næste artikelTilstrækkeligt stabiliseret og eksponeret Cu/CuₓO heterojunction på porøse kulstof nanofibre