Pieni, itse organisoitu keinotekoisten synapsien verkosto muistaa heidän kokemuksensa ja pystyy ratkaisemaan yksinkertaisia ongelmia. Sen tekijät toivovat, että joku päivä tämän keinotekoisen aivojen perusteella luodaan laitteita, jotka ovat yhtä energiatehokkaita kuin aivojen laskentateho. Yleensä aivot, jos jättämme huomioimatta heidän saavutuksensa ajattelussa ja ongelmien ratkaisemisessa, ovat energiatehokkuudessaan täydellisiä. Aivot tarvitsevat saman määrän energiaa toimiakseen kuin 20 watin hehkulamppu imee. Ja yksi maailman tehokkaimmista ja nopeimmista supertietokoneista, Computer K Kobessa, Japanissa, käyttää jopa 9,89 megawattia tehoa - suunnilleen sama kuin 10 000 kotia. Mutta vuonna 2013, jopa tällä energialla, kesti koneella 40 minuuttia simuloidaksesi 1% ihmisen aivojen aktiivisuudesta yhdessä sekunnissa.
Niinpä Los Angelesin Kalifornian yliopiston NanoSystems Institute of Kalifornian tutkimusinsinöörit toivovat kilpailevan aivojen laskennallisten ja energiatehokkaiden ominaisuuksien kanssa aivojen rakennetta heijastavien järjestelmien ansiosta. He luovat mahdollisesti ensimmäisen laatuaan laitteen, jonka”aivot inspiroivat luomaan ominaisuuksia, joiden avulla aivot voivat tehdä mitä tekee”, sanoo instituutin tutkija ja apulaisprofessori Adam Stig, joka johtaa projektia Kalifornian yliopiston kemian professori Jim Gimrzewskin kanssa. Los Angelesissa.
Niiden suunnittelu ei ole lainkaan kuin tavallisten tietokoneiden, jotka perustuvat pieniin johtoihin, jotka on painettu piimikropiireihin erittäin tilattuissa piireissä. Nykyinen kokeellinen versio on 2 x 2 mm: n ristikko hopea-nanojohtoja, jotka on kytketty keinotekoisilla synapsilla. Toisin kuin silikonipiirit sen geometrisellä tarkkuudella, tämä laite on kudottu kuin "hyvin sekoitettu spagetti-astia", sanoo Stig. Lisäksi sen hieno rakenne on järjestetty satunnaisista kemiallisista ja sähköisistä prosesseista, eikä sitä ole suunniteltu huolellisesti.
Monimutkaisuudestaan tämä hopearaina muistuttaa aivoja. Ruudukon neliösentimetriä kohden on miljardi keinotekoista synapsia, joka on useita kertaluokkia erilainen kuin todelliset aivot. Verkon sähköisellä aktiivisuudella on myös ominaisuus, joka on ainutlaatuinen monimutkaisille järjestelmille, kuten aivoille:”kriittisyys”, tilauksen ja kaaoksen välinen tila, joka osoittaa maksimaalisen tehokkuuden.
Tämä voimakkaasti toisiinsa sidottujen nanojohtojen verkko voi näyttää kaoottiselta ja satunnaiselta, mutta sen rakenne ja käyttäytyminen muistuttaa aivojen neuronien rakennetta ja käyttäytymistä. NanoSystemsin tutkijat kehittävät sitä aivojen välineeksi oppimiseen ja laskentaan.
Lisäksi alustavat kokeet osoittavat, että tällä neuromorfisella (ts. Aivojen kaltaisella) hopealankaverkolla on suuri toiminnallinen potentiaali. Hän osaa jo suorittaa yksinkertaisia opetus- ja loogisia toimintoja. Se voi poistaa ei-toivottua kohinaa vastaanotetusta signaalista, tärkeän äänentunnistuskyvyn ja vastaavat tehtävät, jotka aiheuttavat ongelmia perinteisissä tietokoneissa. Ja sen olemassaolo todistaa periaatteen, että jonain päivänä on mahdollista luoda laitteita, joiden energiatehokkuus on lähellä aivojen energiaa.
Nämä edut ovat erityisen uteliaita silikonimikroprosessorien pienenemisen ja tehokkuuden lähestymisrajan taustalla. "Mooren laki on kuollut, puolijohteet eivät voi enää pienentyä, ja ihmiset alkavat kysyä mitä tehdä", sanoo Alex Nugent, neuromorfista tietotekniikkayritystä edustavan Knowmin toimitusjohtaja, joka ei ole mukana UCLA-projektissa. Pidän tästä ideasta, tästä suunnasta. Perinteiset laskentaalustat ovat miljardia kertaa vähemmän tehokkaita."
Mainosvideo:
Vaihtaa synapsina
Kun Gimrzewski aloitti hopeaverkkohankkeensa 10 vuotta sitten, hän ei ollut kiinnostunut energiatehokkuudesta. Hän oli tylsistynyt. Hän on käyttänyt skannaavaa tunnelimikroskooppia tutkimaan elektroniikkaa atomiskaalassa 20 vuoden ajan, ja hän lopulta sanoi: "Olen kyllästynyt täydellisyyteen ja tarkkaan hallintaan ja hieman kyllästynyt reduktionismiin."
Reductionionismin, pitäisi olettaa, on kaikkien nykyaikaisten mikroprosessorien taustalla, kun monimutkaisia ilmiöitä ja piirejä voidaan selittää yksinkertaisilla ilmiöillä ja elementeillä.
Vuonna 2007 häntä pyydettiin tutkimaan yksittäisiä atomikytkimiä (tai kytkimiä), jotka on kehittänyt Nanoarkeitektoniikkaa käsittelevän kansainvälisen materiaalikeskuksen Masakazu Aono -ryhmä Tsukubassa, Japanissa. Nämä kytkimet sisälsivät saman aineosan, joka hopea lusikan mustaksi muuttuu, kun se koskettaa munaa: rautasulfidia, joka on sijoitettu kovan metallisen hopean väliin.
Jännitteen asettaminen laitteisiin työntää hopea-sulfidissa olevat positiivisesti varautuneet hopea-ionit kohti hopeakatodikerrosta, missä ne pelkistetään metalliseksi hopeaksi. Atomihopeafilamentit kasvavat lopulta sulkemalla radan metallisen hopeapuolen välillä. Kytkin on päällä ja virta voi virrata. Virran kääntämisellä on päinvastainen vaikutus: hopeasillat supistuvat ja kytkin sammuu.
Pian sen jälkeen, kun kytkin oli kehitetty, Aono-ryhmä alkoi kuitenkin havaita epätavallista käyttäytymistä. Mitä useammin kytkintä käytettiin, sitä helpompaa oli kytkeä se päälle. Jos sitä ei käytetty jonkin aikaa, se sammutettiin vähitellen yksinään. Pohjimmiltaan kytkin muisti historiansa. Aono ja hänen kollegansa totesivat myös, että kytkimet näyttivät olevan vuorovaikutuksessa toistensa kanssa siten, että yhden kytkimen kytkeminen estää joskus muita lähellä olevia.
Aono-ryhmän enemmistö halusi rakentaa nämä omituiset ominaisuudet kytkinten ulkopuolelle. Mutta Gimrzewski ja Stig (jotka olivat juuri valmistaneet väitöskirjansa Gimrzewskin ryhmässä) muistivat synapsit, vaihdot ihmisen aivojen hermosolujen välillä, jotka myös muuttavat suhteita kokemukseen ja vuorovaikutukseen. Ja niin idea syntyi. "Ajattelimme, miksi emme yritä kääntää kaikkea tätä rakenteeksi, joka muistuttaa nisäkkäiden aivokuorta, ja tutkia sitä?", Stig sanoo.
Tällaisen monimutkaisen rakenteen rakentaminen oli ehdottomasti vaikeaa, mutta äskettäin ryhmään liittyneet jatko-opiskelijana toimineet Stig ja Odrius Avicenis kehittivät tätä varten pöytäkirjan. Kaatamalla hopeanitraattia pienille kuparipalloille, ne saattavat aiheuttaa mikroskooppisesti ohuita, risteäviä hopealankoja kasvaa. He voisivat sitten pumpata rikkikaasua tämän ruudukon läpi luodakseen hopeisen langan väliin hopeisen sulfidikerroksen, kuten alkuperäisen Aono-tiimin atomikytkimessä.
Itse järjestäytynyt kriittisyys
Kun Gimzewski ja Stig kertoivat muille projektistaan, kukaan ei uskonut sen toimivan. Jotkut sanoivat, että laite näyttää yhden tyyppisen staattisen toiminnan ja asettuu siihen, Stig muistutti. Toiset ehdottivat päinvastaista: "He sanoivat, että kytkin kaskadisi ja koko rakenne vain palaa", Gimzewski sanoo.
Mutta laite ei sula. Sitä vastoin, kun Gimzewski ja Stig katselivat häntä infrapunakameran kautta, syöttövirta jatkoi laitteen läpi kulkemien polkujen muuttamista - osoittaen, että verkossa tapahtuvaa toimintaa ei ollut paikallistettu, vaan hajautettu, kuten aivoissa.
Eräänä syksynä vuonna 2010, kun Avicenis ja hänen kollegansa Henry Sillin kasvattivat laitteen tulojännitettä, he huomasivat yhtäkkiä, että lähtöjännite alkoi värähtää satunnaisesti ikään kuin metalliverkko olisi herännyt elämään. "Istuimme alas ja katsoimme sitä, olimme järkyttyneitä", Sillin sanoo.
He arvasivat löytäneensä jotain mielenkiintoista. Kun Avicenis analysoi seurantatietoja useiden päivien ajan, hän havaitsi, että verkko pysyi samalla aktiivisuusasteella lyhyitä aikoja useammin kuin pitkiä aikoja. Myöhemmin he havaitsivat, että pienet toiminta-alueet olivat yleisempiä kuin suuret.
"Leuani putosi", Avicenis sanoo, koska se on ensimmäinen kerta, kun he oppivat virtalakia laitteestaan. Voimalait kuvaavat matemaattisia suhteita, joissa yksi muuttuja muuttuu toisen voimana. Niitä sovelletaan järjestelmiin, joissa suuremmat mittakaavat, pidemmät tapahtumat ovat vähemmän yleisiä kuin pienemmät ja lyhyemmät, mutta ne ovat laajalle levinneitä eivätkä sattumanvaraisia. Vuonna 2002 kuollut tanskalainen fyysikko Per Bac ehdotti ensin voimalakia kaikenlaisten monimutkaisten dynaamisten järjestelmien tunnusmerkiksi, jotka voivat organisoitua suurilla mittakaavoilla ja pitkiä matkoja. Hänen mukaansa tämä käyttäytyminen osoittaa, että monimutkainen järjestelmä tasapainottaa ja toimii kullan keskiarvolla järjestyksen ja kaaoksen välillä "kriittisyyden tilassa" ja että kaikki sen osat ovat vuorovaikutuksessa ja yhdistävät toisiaan maksimaalisen tehokkuuden saavuttamiseksi.
Kuten Buck ennusti, ihmisen aivoissa havaittiin valtalaki käyttäytymistä: Vuonna 2003 Kansallisen terveysinstituutin neurofysiologi Dietmar Plenz havaitsi, että hermosolujen ryhmät aktivoivat toisia, jotka puolestaan aktivoivat muita, laukaistaen usein systeemisiä aktivaatioiden kaskadeja. Plenz havaitsi, että näiden kaskadien koko noudattaa voimalakijakaumaa, ja aivot toimivat tavalla, joka maksimoi toiminnan leviämisen vaarantamatta menetystä sen leviämisestä.
Se, että Kalifornian yliopiston laite osoitti myös voimalain käytännössä, on erittäin tärkeä asia, Plentz sanoo. Koska tästä seuraa, että kuten aivoissakin, sillä on herkkä tasapaino aktivoinnin ja estämisen välillä, mikä pitää sen osien summan toiminnassa. Toiminto ei tukahduta sarjaa, mutta se ei myöskään pysähdy.
Gimrzewski ja Stig löysivät myöhemmin toisenlaisuuden hopeaverkon ja aivojen välillä: Aivan kuten nukkuvilla ihmisen aivoilla on vähemmän lyhyitä aktivoitumisaskeleita kuin heräävillä aivoilla, hopeaverkossa tapahtuu lyhyt aktivointitila harvemmin pienemmissä tulonergioissa. Laitteen virrankulutuksen vähentäminen voi jollain tavalla luoda tilan, joka muistuttaa ihmisaivojen lepotilaa.
Oppiminen ja tietojenkäsittely
Ja tässä on kysymys: jos hopealankojen verkolla on aivojen kaltaisia ominaisuuksia, voiko se ratkaista laskennalliset ongelmat? Alustavat kokeet ovat osoittaneet, että vastaus on kyllä, vaikka laite ei tietenkään ole edes etäältä verrattavissa tavalliseen tietokoneeseen.
Ensinnäkin, ohjelmistoa ei ole. Sen sijaan tutkijat hyödyntävät sitä tosiasiaa, että verkko voi vääristää saapuvaa signaalia eri tavoin, riippuen siitä, missä lähtö mitataan. Tämä tarjoaa mahdollisuuden äänen tai kuvan tunnistamiseen, koska laitteen on kyettävä puhdistamaan meluisat tulosignaalit.
Tästä seuraa myös, että laitetta voidaan käyttää ns. Säiliölaskelmiin. Koska yksi tulo voi periaatteessa tuottaa useita miljoonia erilaisia lähtöjä (siis säiliötä), käyttäjät voivat valita tai yhdistää lähdöt siten, että tulos on haluttu tulolaskenta. Esimerkiksi, jos stimuloit laitetta kahdessa eri paikassa samanaikaisesti, on mahdollista, että yksi miljoonista eri lähdöistä edustaa kahden sisääntulon summaa.
Haasteena on löytää oikeat johtopäätökset ja purkaa ne sekä selvittää, kuinka tiedot koodataan parhaiten, jotta verkko ymmärtää niitä. Tämä voidaan tehdä kouluttamalla laitetta: suorittamalla tehtävä satoja tai tuhansia kertoja, ensin yhdellä tulotyypillä, sitten toisella ja vertaamalla, mikä ulostulo selviää paremmin tehtävästä. "Emme ohjelmoi laitetta, mutta valitsemme parhaan tavan koodata tiedot siten, että verkon käyttäytyminen on hyödyllistä ja mielenkiintoista", Gimrzewski sanoo.
Pian julkaistavassa työssä tutkijat selittävät, kuinka he kouluttavat johtoverkon suorittamaan yksinkertaisia loogisia toimintoja. Ja julkaisemattomissa kokeissa he kouluttivat verkon ratkaisemaan yksinkertainen muisti-ongelma, joka yleensä annettiin rotille (T-sokkelo). T-sokkelokokeessa rotta palkitaan, jos se kääntyy oikein vastauksena valoon. Verkolla on oma koulutusversio, joka tekee oikean valinnan 94% ajasta.
Toistaiseksi nämä tulokset ovat olleet vain vähän kuin todiste periaatteesta, Nugent sanoo. "Pieni rotta, joka tekee päätöksen T-labyrintissä, ei koskaan pääse koneenoppimisen lähelle jotain, joka pystyy arvioimaan sen järjestelmiä", hän sanoo perinteisessä tietokoneessa. Hän epäilee, voidaanko laitteesta tehdä hyödyllinen siru seuraavien vuosien aikana.
Mutta potentiaali on valtava, hän painottaa. Koska verkko, kuten aivot, ei erota käsittelyä ja muistia. Perinteisten tietokoneiden on siirrettävä tietoja eri toimialueiden välillä, jotka käsittelevät näitä kahta toimintoa. "Kaikki tämä ylimääräinen viestintä rakentuu, koska johdot tarvitsevat virtaa", Nugent sanoo. Kun otetaan huomioon perinteiset tietokoneet, joudut sammuttamaan Ranskan, jotta simuloit täydelliset ihmisen aivot kunnollisella resoluutiolla. Jos hopeaverkon kaltaiset laitteet voivat ratkaista perinteisillä tietokoneilla toimivien koneoppimisalgoritmien tehokkuuden ongelmat, ne voivat käyttää miljardia kertaa vähemmän virtaa. Ja sitten asia on pieni.
Tutkijoiden havainnot tukevat myös ajatusta, että oikeissa olosuhteissa älykkäät järjestelmät voidaan muodostaa itseorganisoitumisella ilman mitään mallia tai prosessia niiden kehittämiselle. Hopeaverkosto "syntyi spontaanisti", sanoo Todd Hilton, entinen DARPA-päällikkö, joka tuki hanketta jo varhain.
Gimrzewski uskoo, että hopealankojen tai vastaavien laitteiden verkko voi olla parempi kuin perinteiset tietokoneet monimutkaisten prosessien ennustamisessa. Perinteiset tietokoneet mallintavat maailmaa yhtälöillä, jotka kuvaavat usein monimutkaisia ilmiöitä vain suunnilleen. Atomikytkinneuromorfiset verkot kohdistavat oman luontaisen rakenteellisen monimutkaisuutensa niiden simuloiman ilmiön kanssa. Ja he tekevät sen myös nopeasti - verkon tila voi vaihdella jopa kymmenien tuhansien muutosten sekunnissa nopeudella. "Käytämme monimutkaista järjestelmää ymmärtääksemme monimutkaisia ilmiöitä", sanoo Gimrzewski.
Aiemmin tänä vuonna American Chemical Society -kokouksessa San Franciscossa Gimzewski, Stig ja heidän kollegansa esittelivät kokeilun tuloksia, joissa he syötivät laitetta kuuden vuoden Los Angeles-liikennetiedotteen kolmen ensimmäisen vuoden aikana pulssisarjana, joka osoitti kulkee autoja tunnissa. Satojen tuntien harjoittelujakson jälkeen tulos lopulta ennusti aineiston toisen puolen tilastollista kehitystä ja melko hyvin, vaikka sitä ei näytetty laitteelle.
Ehkä jonain päivänä Gimrzewski vitsailee, hän käyttää verkkoa ennustaakseen osakemarkkinoita.
Ilja Khel