Розроблено новий подібний до мозку транзистор, що імітує людський інтелект

Надихаючись роботою людського мозку, дослідники розробили новий синаптичний транзистор, що виконує енергоефективне асоціативне навчання за кімнатної температури.

Про винахід розповідають в Північно-Західному університеті, передають OstanniPodii.com.

Пристрій розроблено науковцями з Північно-Західного університету, Бостонського коледжу та Массачусетського технологічного інституту (MIT). Він одночасно обробляє та зберігає інформацію подібно до людського мозку. У нових експериментах дослідники продемонстрували, що транзистор виходить за рамки простих завдань машинного навчання, класифікуючи дані, і здатний виконувати асоціативне навчання.

Хоча попередні дослідження використовували подібні стратегії для розробки подібних до мозку обчислювальних пристроїв, ті транзистори не можуть функціонувати за межами кріогенних температур. Новий пристрій, навпаки, стабільно працює за кімнатної температури. Він також працює на високих швидкостях, споживає дуже мало енергії та утримує збережену інформацію навіть при відключенні живлення, що робить його ідеальним для застосування в реальному світі.

Роботу під назвою "Муаровий синаптичний транзистор з нейроморфною функціональністю за кімнатної температури" опубліковано 20 грудня в журналі Nature.

"Мозок має принципово іншу архітектуру, ніж цифровий комп′ютер", - зазначає Марк Херсам, один з керівників дослідження.

"У цифровому комп′ютері дані рухаються туди-сюди між мікропроцесором і пам′яттю, що споживає багато енергії та створює вузьке місце при спробі виконувати кілька завдань одночасно. З іншого боку, в мозку пам′ять та обробка інформації розташовані разом і повністю інтегровані, що призводить до енергоефективності, яка на порядок вища. Наш синаптичний транзистор аналогічно забезпечує одночасно пам′ять та обробку інформації, щоб більш точно імітувати роботу мозку".

Останні досягнення в галузі штучного інтелекту (ШІ) спонукають дослідників розробляти комп′ютери, які більше схожі на людський мозок. Традиційні цифрові обчислювальні системи мають окремі блоки обробки та зберігання даних, що призводить до того, що завдання з інтенсивним використанням даних поглинають велику кількість енергії. Оскільки розумні пристрої безперервно збирають величезні обсяги даних, дослідники намагаються знайти нові способи їх обробки без збільшення споживання енергії.

Наразі резистор пам′яті, або "мемристор", є найбільш розвиненою технологією, яка може виконувати комбіновану функцію обробки та пам′яті. Але мемристори все ще страждають від енерговитратного перемикання.

"Протягом кількох десятиліть парадигма в електроніці полягала в тому, щоб будувати все з транзисторів і використовувати ту саму кремнієву архітектуру", - каже Херсам.

Новини за подібною темою:

Машинне навчання показало, що лише злиття галактик недостатньо для зростання чорних дір

"Значний прогрес був досягнутий шляхом простого пакування все більшої кількості транзисторів в інтегральні схеми. Не можна заперечувати успіх цієї стратегії, але вона досягається ціною високого енергоспоживання, особливо в нинішню епоху великих даних, коли цифрові обчислення можуть перевантажити мережу. Ми повинні переосмислити обчислювальне обладнання, особливо для завдань штучного інтелекту та машинного навчання".

Щоб переосмислити цю парадигму, Херсам та його команда дослідили нові досягнення у фізиці муарових візерунків, типу геометричного дизайну, який виникає, коли два візерунки накладаються один на одного. Коли двовимірні матеріали складаються, з′являються нові властивості, які не існують в одному шарі. А коли ці шари скручуються, утворюючи муаровий візерунок, стає можливим безпрецедентне налаштування електронних властивостей.

Для нового пристрою дослідники поєднали два різні типи атомарно тонких матеріалів: двошаровий графен та гексагональний нітрид бору. Складені та цілеспрямовано скручені, матеріали утворювали муаровий візерунок. Обертаючи один шар відносно іншого, дослідники змогли досягти різних електронних властивостей у кожному шарі графену, навіть якщо вони розділені лише розмірами атомного масштабу. Правильно вибравши скручування, дослідники використали фізику муару для нейроморфної функціональності при кімнатній температурі.

"Зі скручуванням як новим параметром дизайну, кількість перестановок є величезною, - каже Херсам. "Графен і гексагональний нітрид бору дуже схожі за структурою, але достатньо різні, щоб отримати надзвичайно сильні муарові ефекти".

Щоб протестувати транзистор, дослідники навчили його розпізнавати схожі, але не ідентичні візерунки.

"Якщо ШІ має імітувати людське мислення, то одним із завдань найнижчого рівня буде класифікація даних, тобто просте сортування за кошиками", - каже Херсам. "Наша мета -- розвивати технологію ШІ в напрямку більш високого рівня мислення. Реальні умови часто бувають складнішими, ніж ті, з якими можуть впоратися сучасні алгоритми ШІ, тому ми протестували наші нові пристрої в більш складних умовах, щоб перевірити їхні розширені можливості".

Спочатку дослідники показали пристрою один шаблон: 000 (три нулі підряд). Потім вони попросили штучний інтелект розпізнати подібні шаблони, наприклад, 111 або 101. "Якщо ми навчили його розпізнавати 000, а потім дали йому 111 і 101, він знає, що 111 більше схоже на 000, ніж 101", - пояснює Херсам. "000 і 111 не зовсім однакові, але обидва числа -- це три цифри підряд. Усвідомлення подібності -- це форма пізнання вищого рівня, відома як асоціативне навчання".

В експериментах новий синаптичний транзистор успішно розпізнавав подібні шаблони, демонструючи свою асоціативну пам′ять. Навіть коли дослідники "кидали закручені м′ячі", наприклад, даючи йому неповні шаблони, він все одно успішно демонстрував асоціативне навчання.

"Сучасний штучний інтелект можна легко заплутати, що може спричинити серйозні проблеми в певних контекстах", - каже Херсам. "Уявіть, що ви використовуєте безпілотний автомобіль, а погодні умови погіршуються. Автомобіль може бути не в змозі інтерпретувати більш складні дані з датчиків так, як це може зробити людина-водій. Але навіть коли ми подаємо на наш транзистор неідеальний вхідний сигнал, він все одно може визначити правильну реакцію".

• машинне навчання
• штучний інтелект