Vi tror ofte på, at computere er mere effektive end mennesker. Computere kan trods alt færdiggøre en kompleks matematisk ligning på et øjeblik og kan også huske navnet på den ene skuespiller, vi bliver ved med at glemme. Men menneskelige hjerner kan behandle komplicerede lag af information hurtigt, præcist og næsten uden energiinput:genkende et ansigt efter kun at have set det én gang eller øjeblikkeligt at kende forskel på et bjerg og havet.
Disse enkle menneskelige opgaver kræver enorm behandling og energiinput fra computere, og selv da med varierende grader af nøjagtighed.
At skabe hjernelignende computere med minimalt energibehov ville revolutionere næsten alle aspekter af det moderne liv. Quantum Materials for Energy Efficient Neuromorphic Computing (Q-MEEN-C) – et landsdækkende konsortium ledet af University of California San Diego – har været i spidsen for denne forskning.
UC San Diego Adjunkt i fysik Alex Frañó er meddirektør for Q-MEEN-C og tænker på centrets arbejde i faser. I den første fase arbejdede han tæt sammen med præsident emeritus fra University of California og professor i fysik Robert Dynes, samt Rutgers professor i ingeniørvidenskab Shriram Ramanathan. Sammen havde deres hold succes med at finde måder at skabe eller efterligne egenskaberne af et enkelt hjerneelement (såsom en neuron eller synapse) i et kvantemateriale.
Nu, i fase to, ny forskning fra Q-MEEN-C, offentliggjort i Nano Letters , viser, at elektriske stimuli, der sendes mellem naboelektroder, også kan påvirke ikke-naboelektroder. Denne opdagelse, der er kendt som ikke-lokalitet, er en afgørende milepæl i rejsen mod nye typer enheder, der efterligner hjernefunktioner kendt som neuromorfisk databehandling.
"I hjernen er det forstået, at disse ikke-lokale interaktioner er nominelle - de sker ofte og med minimal anstrengelse," sagde Frañó, en af avisens medforfattere. "Det er en afgørende del af, hvordan hjernen fungerer, men lignende adfærd replikeret i syntetiske materialer er sjældne."
Som mange forskningsprojekter, der nu bærer frugt, opstod ideen om at teste, om ikke-lokalitet i kvantematerialer var mulig, under pandemien. Fysiske laboratorierum blev lukket, så holdet kørte beregninger på arrays, der indeholdt flere enheder for at efterligne de mange neuroner og synapser i hjernen. Ved at køre disse test fandt de ud af, at ikke-lokalitet var teoretisk muligt.
Da laboratorierne genåbnede, forfinede de denne idé yderligere og rekrutterede UC San Diego Jacobs School of Engineering lektor Duygu Kuzum, hvis arbejde inden for elektro- og computerteknik hjalp dem med at gøre en simulering til en egentlig enhed.
Dette involverede at tage en tynd film af nikkelat - et "kvantemateriale" keramik, der viser rige elektroniske egenskaber - at indsætte hydrogenioner og derefter placere en metalleder ovenpå. En ledning er fastgjort til metallet, så et elektrisk signal kan sendes til nikkelatet. Signalet får de gel-lignende brintatomer til at bevæge sig ind i en bestemt konfiguration, og når signalet fjernes, forbliver den nye konfiguration.
"Det er i bund og grund, hvordan et minde ser ud," sagde Frañó. "Enheden husker, at du forstyrrede materialet. Nu kan du finjustere, hvor disse ioner går for at skabe veje, der er mere ledende og lettere for elektricitet at strømme igennem."
Traditionelt kræver det at skabe netværk, der transporterer tilstrækkelig elektricitet til at drive noget som en bærbar computer, komplicerede kredsløb med kontinuerlige tilslutningspunkter, hvilket er både ineffektivt og dyrt. Designkonceptet fra Q-MEEN-C er meget enklere, fordi den ikke-lokale adfærd i eksperimentet betyder, at alle ledninger i et kredsløb ikke behøver at være forbundet med hinanden. Tænk på et spindelvæv, hvor bevægelse i den ene del kan mærkes på tværs af hele nettet.
Dette er analogt med, hvordan hjernen lærer:ikke på en lineær måde, men i komplekse lag. Hvert stykke læring skaber forbindelser i flere områder af hjernen, hvilket giver os mulighed for at skelne ikke bare træer fra hunde, men et egetræ fra et palme eller en golden retriever fra en puddel.
Til dato kan disse mønstergenkendelsesopgaver, som hjernen udfører så smukt, kun simuleres gennem computersoftware. AI-programmer som ChatGPT og Bard bruger komplekse algoritmer til at efterligne hjernebaserede aktiviteter som tænkning og skrivning. Og de gør det rigtig godt. Men uden tilsvarende avanceret hardware til at understøtte det, vil software på et tidspunkt nå sin grænse.
Frañó er ivrig efter en hardwarerevolution, der svarer til den, der i øjeblikket sker med software, og viser, at det er muligt at reproducere ikke-lokal adfærd i et syntetisk materiale, der tommer videnskabsmænd et skridt nærmere. Det næste trin vil involvere at skabe mere komplekse arrays med flere elektroder i mere komplicerede konfigurationer.
"Dette er et meget vigtigt skridt fremad i vores forsøg på at forstå og simulere hjernefunktioner," sagde Dynes, som også er medforfatter. "At vise et system, der har ikke-lokale interaktioner, fører os videre i retning af, hvordan vores hjerner tænker. Vores hjerner er selvfølgelig meget mere komplicerede end dette, men et fysisk system, der er i stand til at lære, skal være yderst interaktivt, og det er et nødvendigt første skridt. Vi kan nu tænke på sammenhæng med længere rækkevidde i rum og tid."
"Det er almindeligt forstået, at for at denne teknologi virkelig kan eksplodere, er vi nødt til at finde måder at forbedre hardwaren på - en fysisk maskine, der kan udføre opgaven i forbindelse med softwaren," sagde Frañó. "Den næste fase vil være en, hvor vi skaber effektive maskiner, hvis fysiske egenskaber er dem, der udfører læringen. Det vil give os et nyt paradigme i verden af kunstig intelligens."
Flere oplysninger: Ravindra Singh Bisht et al., Spatial Interactions in Hydrogenated Perovskite Nickelate Synaptic Networks, Nano Letters (2023). DOI:10.1021/acs.nanolett.3c02076
Journaloplysninger: Nanobreve
Leveret af University of California - San Diego
Sidste artikel3D-printteknologi opnår præcis lysstyring til strukturel farvning
Næste artikelNanozymer driver tumor-specifik lægemiddellevering, mens de minimerer toksicitet