„Mozog“ zo strieborných drôtikov sa učí v reálnom čase a efektívnejšie ako počítačová AI

Súčasné systémy AI sa spoliehajú na počítače, na ktorých bežia zložité algoritmy založené na umelých neurónových sieťach. Tie spotrebúvajú obrovské množstvo energie, najviac vtedy, ak sa snažia pracovať s údajmi, ktoré sa menia v reálnom čase. Vedci z Univerzity v Sydney a Kalifornskej univerzity v Los Angeles teraz pracujú na úplne novom prístupe k „strojovej inteligencii“. Namiesto softvéru umelých neurónových sietí vyvinuli fyzickú neurónovú sieť v hardvéri, ktorá pracuje oveľa efektívnejšie. Tá je vyrobená zo strieborných nanodrôtov a je schopná za chodu sa učiť rozpoznávať ručne písané čísla a zapamätať si reťazce číslic.

Strieborné nanodrôtiky sú široké asi ako tisícina ľudského vlasu a prirodzene vytvárajú náhodnú sieť, pričom sieťová štruktúra nanodrôtov sa veľmi podobá sieti neurónov v našom mozgu. Výskum je súčasťou oblasti nazývanej neuromorfné počítače, ktorej cieľom je napodobniť v hardvéri funkčnosť neurónov a synapsií podobnú mozgu. Nanodrôtové siete vykazujú správanie podobné mozgu v reakcii na elektrické signály. Vonkajšie elektrické signály spôsobujú zmeny v spôsobe prenosu elektrickej energie v miestach, kde sa nanodrôty pretínajú, čo je podobné tomu, ako fungujú biologické synapsie.

V typickej sieti nanodrôtov môžu byť desiatky tisíc priesečníkov podobných synapsiám, čo znamená, že sieť dokáže efektívne spracúvať a odovzdávať informácie prenášané elektrickými signálmi. Štúdia uverejnená v časopise Nature Communications ukazuje, že nanodrôtové siete môžu reagovať na signály, ktoré sa menia v čase, a tak ich možno použiť na online strojové učenie. Pri bežnom strojovom učení sa údaje do systému privádzajú a spracúvajú v dávkach. Pri online učení možno do systému vkladať údaje ako nepretržitý tok v čase. S každým novým údajom sa systém učí a prispôsobuje v reálnom čase.

Takéto učenie je efektívnejšie ako bežné dávkové učenie v aplikáciách AI. Pri dávkovom učení je na spracovanie veľkých súborov údajov potrebný značný objem pamäte a systém často musí na učenie prechádzať tie isté údaje viackrát. To si vyžaduje nielen veľké výpočtové zdroje, ale aj väčšiu spotrebu energie. Online prístup si vyžaduje menej pamäte, pretože údaje sa spracúvajú priebežne. Okrem toho sa sieť učí z každej vzorky údajov len raz, čím sa výrazne znižuje spotreba energie a proces je vysoko efektívny.

Nanosieť bola testovaná pomocou úlohy rozpoznávania obrazu s použitím súboru údajov MNIST s ručne písanými číslicami. Hodnoty pixelov v stupňoch sivej na obrázkoch boli prevedené na elektrické signály a vložené do siete. Po každej vzorke číslic sa sieť učila a zdokonaľovala svoju schopnosť rozpoznávať vzory. Druhý test spočíval v pamäťovej úlohe zahŕňajúcej vzory číslic, čo sa podobalo zapamätaniu si telefónneho čísla. Sieť preukázala schopnosť zapamätať si predchádzajúce číslice vo vzore. Tieto úlohy dokazujú potenciál siete napodobňovať učenie a pamäť podobné mozgu.

Zdroj: theconversation.com.