Mithilfe von Elektrizität lernfähige Materialien finden

May 04, 2023

Wissenschaftler, die eine neue Generation von Supercomputern entwickeln wollen, lassen sich vom komplexesten und energieeffizientesten Computer aller Zeiten inspirieren: dem menschlichen Gehirn.

Bei einigen ihrer ersten Versuche, gehirninspirierte Computer herzustellen, untersuchen Forscher verschiedene nichtbiologische Materialien, deren Eigenschaften so angepasst werden könnten, dass sie Hinweise auf lernähnliches Verhalten liefern. Diese Materialien könnten die Grundlage für Hardware bilden, die mit neuen Softwarealgorithmen kombiniert werden könnte, um eine leistungsfähigere, nützlichere und energieeffizientere künstliche Intelligenz (KI) zu ermöglichen.

In einer neuen Studie Unter der Leitung von Wissenschaftlern der Purdue University haben Forscher sauerstoffarmes Nickeloxid kurzen elektrischen Impulsen ausgesetzt und zwei verschiedene elektrische Reaktionen hervorgerufen, die dem Lernen ähneln. Das Ergebnis ist ein vollständig elektrisch angetriebenes System, das dieses Lernverhalten zeigt, sagte Shriram Ramanathan, Professor an der Rutgers University. (Ramanathan war zum Zeitpunkt dieser Arbeit Professor an der Purdue University.) Das Forschungsteam nutzte die Ressourcen der Advanced Photon Source (APS), einer Benutzereinrichtung des Office of Science des US-Energieministeriums (DOE) am Argonne National Laboratory des DOE.

Die erste Reaktion, die Gewöhnung, tritt auf, wenn sich das Material daran „gewöhnt“, leicht gezapft zu werden. Den Wissenschaftlern fiel auf, dass sich der Widerstand des Materials nach einem ersten Stoß zwar erhöht, es sich aber schnell an den elektrischen Reiz gewöhnt. „Gewöhnung ist wie das, was passiert, wenn man in der Nähe eines Flughafens lebt“, sagte Fanny Rodolakis, Physikerin und Beamline-Wissenschaftlerin am APS. „An dem Tag, an dem du einziehst, denkst du, was für ein Lärm, aber irgendwann merkst du es kaum noch.“

Die andere Reaktion des Materials, die Sensibilisierung, tritt auf, wenn eine größere Dosis Elektrizität verabreicht wird. „Mit einem größeren Reiz nimmt die Reaktion des Materials mit der Zeit zu, anstatt abzunehmen“, sagte Rodolakis. „Es ist so, als ob man sich einen Gruselfilm anschaut und dann jemand ‚Buh!‘ sagt. hinter einer Ecke – man sieht, wie es wirklich springt.

„So ziemlich alle lebenden Organismen weisen diese beiden Eigenschaften auf“, sagte Ramanathan. „Sie sind wirklich ein grundlegender Aspekt der Intelligenz.“

Diese beiden Verhaltensweisen werden durch Quantenwechselwirkungen zwischen Elektronen gesteuert, die mit der klassischen Physik nicht beschrieben werden können und die dazu beitragen, die Grundlage für einen Phasenübergang im Material zu bilden. „Ein Beispiel für einen Phasenübergang ist die Umwandlung einer Flüssigkeit in einen Feststoff“, sagte Rodolakis. „Das Material, das wir betrachten, liegt genau an der Grenze, und die konkurrierenden Wechselwirkungen, die auf elektronischer Ebene stattfinden, können durch kleine Reize leicht in die eine oder andere Richtung verschoben werden.“

Ein System, das vollständig durch elektrische Signale gesteuert werden kann, sei für gehirninspirierte Computeranwendungen unerlässlich, sagte Ramanathan. „Die Möglichkeit, Materialien auf diese Weise zu manipulieren, wird es der Hardware ermöglichen, einen Teil der Verantwortung für die Intelligenz zu übernehmen“, erklärte er. „Die Nutzung von Quanteneigenschaften, um Intelligenz in Hardware zu integrieren, stellt einen wichtigen Schritt hin zu energieeffizientem Rechnen dar.“

Der Unterschied zwischen Gewöhnung und Sensibilisierung kann Wissenschaftlern dabei helfen, eine Herausforderung bei der Entwicklung der KI zu meistern, die als Stabilitäts-Plastizitäts-Dilemma bezeichnet wird. Einerseits sind Algorithmen der künstlichen Intelligenz oft zu zurückhaltend, wenn es darum geht, sich an neue Informationen anzupassen. Andererseits können sie dabei oft etwas von dem vergessen, was sie bereits gelernt haben. Durch die Schaffung eines gewöhnungsfähigen Materials können Wissenschaftler ihm beibringen, unnötige Informationen zu ignorieren oder zu vergessen und so zusätzliche Stabilität zu erreichen, während die Sensibilisierung ihm beibringen könnte, sich an neue Informationen zu erinnern und diese zu integrieren, was Plastizität ermöglicht.

„KI hat es oft schwer, neue Informationen zu lernen und zu speichern, ohne bereits gespeicherte Informationen zu überschreiben“, sagte Rodolakis. „Zu viel Stabilität verhindert, dass KI lernt, aber zu viel Plastizität kann zu katastrophalem Vergessen führen.“

Ein großer Vorteil der neuen Studie war die geringe Größe des Nickeloxid-Geräts. „Diese Art des Lernens war in der aktuellen Elektronikgeneration ohne eine große Anzahl von Transistoren bisher nicht möglich“, sagte Rodolakis. „Dieses Single-Junction-System ist das bisher kleinste System, das diese Eigenschaften zeigt, was große Auswirkungen auf die mögliche Entwicklung neuromorpher Schaltkreise hat.“

Um die Dynamik auf atomarer Ebene zu ermitteln, die für das Gewöhnungs- und Sensibilisierungsverhalten verantwortlich ist, nutzten Rodolakis und Argonnes Hua Zhou Röntgenabsorptionsspektroskopie an den Strahllinien 29-ID-D und 33-ID-D des APS.

– Diese Pressemitteilung wurde ursprünglich auf der Website des Argonne National Laboratory veröffentlicht