Разработан новый мозгоподобный транзистор, имитирующий человеческий интеллект

Вдохновляясь работой человеческого мозга, исследователи разработали новый синаптический транзистор, выполняющий энергоэффективное ассоциативное обучение при комнатной температуре.

Об изобретении рассказывают в Северо-Западном университете, передают OstanniPodii.com.

Устройство разработано учеными из Северо-Западного университета, Бостонского колледжа и Массачусетского технологического института (MIT). Оно одновременно обрабатывает и хранит информацию подобно человеческому мозгу. В новых экспериментах исследователи продемонстрировали, что транзистор выходит за рамки простых задач машинного обучения, классифицируя данные, и способен выполнять ассоциативное обучение.

Хотя предыдущие исследования использовали подобные стратегии для разработки подобных мозгу вычислительных устройств, те транзисторы не могут функционировать за пределами криогенных температур. Новое устройство, наоборот, стабильно работает при комнатной температуре. Оно также работает на высоких скоростях, потребляет очень мало энергии и удерживает сохраненную информацию даже при отключении питания, что делает его идеальным для применения в реальном мире.

Работа под названием "Муаровый синаптический транзистор с нейроморфной функциональностью при комнатной температуре" опубликована 20 декабря в журнале Nature.

"Мозг имеет принципиально иную архитектуру, чем цифровой компьютер", - отмечает Марк Херсам, один из руководителей исследования.

"В цифровом компьютере данные движутся туда-сюда между микропроцессором и памятью, что потребляет много энергии и создает узкое место при попытке выполнять несколько задач одновременно. С другой стороны, в мозге память и обработка информации расположены вместе и полностью интегрированы, что приводит к энергоэффективности, которая на порядок выше. Наш синаптический транзистор аналогично обеспечивает одновременно память и обработку информации, чтобы более точно имитировать работу мозга".

Последние достижения в области искусственного интеллекта (ИИ) побуждают исследователей разрабатывать компьютеры, которые больше похожи на человеческий мозг. Традиционные цифровые вычислительные системы имеют отдельные блоки обработки и хранения данных, что приводит к тому, что задачи с интенсивным использованием данных поглощают большое количество энергии. Поскольку умные устройства непрерывно собирают огромные объемы данных, исследователи пытаются найти новые способы их обработки без увеличения потребления энергии.

В настоящее время резистор памяти, или "мемристор", является наиболее развитой технологией, которая может выполнять комбинированную функцию обработки и памяти. Но мемристоры все еще страдают от энергозатратного переключения.

"В течение нескольких десятилетий парадигма в электронике заключалась в том, чтобы строить все из транзисторов и использовать ту же кремниевую архитектуру", - говорит Херсам.

Новости по подобной теме:

Машинное обучение показало, что только слияния галактик недостаточно для роста черных дыр

"Значительный прогресс был достигнут путем простой упаковки все большего количества транзисторов в интегральные схемы. Нельзя отрицать успех этой стратегии, но она достигается ценой высокого энергопотребления, особенно в нынешнюю эпоху больших данных, когда цифровые вычисления могут перегрузить сеть. Мы должны переосмыслить вычислительное оборудование, особенно для задач искусственного интеллекта и машинного обучения".

Чтобы переосмыслить эту парадигму, Херсам и его команда исследовали новые достижения в физике муаровых узоров, типа геометрического дизайна, который возникает, когда два узора накладываются друг на друга. Когда двумерные материалы складываются, появляются новые свойства, которые не существуют в одном слое. А когда эти слои скручиваются, образуя муаровый узор, становится возможным беспрецедентная настройка электронных свойств.

Для нового устройства исследователи объединили два разных типа атомарно тонких материалов: двухслойный графен и гексагональный нитрид бора. Составленные и целенаправленно скрученные, материалы образовывали муаровый узор. Вращая один слой относительно другого, исследователи смогли достичь различных электронных свойств в каждом слое графена, даже если они разделены лишь размерами атомного масштаба. Правильно выбрав скручивание, исследователи использовали физику муара для нейроморфной функциональности при комнатной температуре.

"Со скручиванием как новым параметром дизайна, количество перестановок является огромным, - говорит Херсам. "Графен и гексагональный нитрид бора очень похожи по структуре, но достаточно разные, чтобы получить чрезвычайно сильные муаровые эффекты".

Чтобы протестировать транзистор, исследователи научили его распознавать похожие, но не идентичные узоры.

"Если ИИ должен имитировать человеческое мышление, то одной из задач самого низкого уровня будет классификация данных, то есть простая сортировка по корзинам", - говорит Херсам. "Наша цель -- развивать технологию ИИ в направлении более высокого уровня мышления. Реальные условия часто бывают сложнее, чем те, с которыми могут справиться современные алгоритмы ИИ, поэтому мы протестировали наши новые устройства в более сложных условиях, чтобы проверить их расширенные возможности".

Сначала исследователи показали устройству один шаблон: 000 (три нуля подряд). Затем они попросили искусственный интеллект распознать подобные шаблоны, например, 111 или 101. "Если мы научили его распознавать 000, а затем дали ему 111 и 101, он знает, что 111 больше похоже на 000, чем 101", - объясняет Херсам. "000 и 111 не совсем одинаковые, но оба числа - это три цифры подряд. Осознание сходства - это форма познания высшего уровня, известная как ассоциативное обучение".

В экспериментах новый синаптический транзистор успешно распознавал подобные шаблоны, демонстрируя свою ассоциативную память. Даже когда исследователи "бросали закрученные мячи", например, давая ему неполные шаблоны, он все равно успешно демонстрировал ассоциативное обучение.

"Современный искусственный интеллект можно легко запутать, что может вызвать серьезные проблемы в определенных контекстах", - говорит Херсам. "Представьте, что вы используете беспилотный автомобиль, а погодные условия ухудшаются. Автомобиль может быть не в состоянии интерпретировать более сложные данные с датчиков так, как это может сделать человек-водитель. Но даже когда мы подаем на наш транзистор неидеальный входной сигнал, он все равно может определить правильную реакцию".

• Машинное обучение
• искусственный интеллект