Key takeaways
- En sällsynt typ av materia som kallas spinglas kan möjliggöra AI som känner igen objekt på det sätt som människor gör.
- Användningen av spinglas för utskrivbara kretsar kan också leda till nya typer av lågeffektsdatorer.
- Andra typer av hjärninspirerade marker kan också förbättra hur AI känner igen bilder.
Att skriva ut kretsar direkt på fysiska objekt kan leda till smartare artificiell intelligens (AI).
Forskare vid Los Alamos National Laboratory använder en sällsynt form av materia som kallas spinnglas för att ersätta kretsar. Spinglasets ovanliga egenskaper möjliggör en form av AI som kan känna igen objekt från delbilder som hjärnan gör.
"Spinglasögon är system med ett "gropigt landskap" av möjliga lösningar", sa Cris Moore, en datavetare och fysiker vid Santa Fe Institute, som inte var involverad i Los Alamos-forskningen, till Lifewire i ett e-postmeddelande intervju. "De hjälper oss att analysera varför algoritmer ibland fastnar i lösningar som ser bra ut lok alt men inte är de bästa möjliga."
Utskrivbara kretsar
Användningen av spinglas för utskrivbara kretsar kan också leda till nya typer av lågeffektsdatorer. Spin-glaset tillåter forskare att undersöka materialstrukturer med hjälp av matematik. Med detta tillvägagångssätt kan forskare justera interaktionen inom system med hjälp av elektronstrålelitografi, som använder en fokuserad stråle av elektroner för att rita anpassade former på en yta. Litografin skulle kunna tillåta utskrift av nya typer av kretsar.
Litografin gör det möjligt att representera en mängd olika datorproblem i spin-glas-nätverk, enligt en nyligen publicerad artikel av Los Alamos-teamet publicerad i den peer-reviewade tidskriften Nature Physics.
"Vårt arbete åstadkom den första experimentella realiseringen av ett artificiellt spinnglas bestående av nanomagneter arrangerade för att replikera ett neur alt nätverk", Michael Saccone, en postdoktorand forskare i teoretisk fysik vid Los Alamos National Laboratory och huvudförfattare till tidningen, sa i pressmeddelandet. "Vårt papper lägger grunden vi behöver för att praktiskt kunna använda dessa fysiska system."
Moore liknade spinnglas med kiseldioxid (fönsterglas), som verkar vara en perfekt kristall, men när den svalnar fastnar den i ett amorft tillstånd som ser ut som en vätska på molekylär nivå.
"På samma sätt kan algoritmer fastna bakom "energibarriärer" som står i vägen för det globala optimum", tillade Moore.
Idéer från spinglasteori kan hjälpa forskare att navigera i högdimensionella landskap.
"Denna strävan har skapat en levande tvärvetenskaplig gemenskap i skärningspunkten mellan fysik, matematik och datavetenskap", sa Moore."Vi kan använda idéer från fysiken för att bestämma grundläggande gränser för algoritmer, som hur mycket brus de kan tolerera samtidigt som vi hittar mönster i data - och för att designa algoritmer som lyckas hela vägen upp till dessa teoretiska gränser."
AI That Remembers Like Humans
Forskargruppen undersökte artificiellt spinnglas som ett sätt att undersöka vad som kallas Hopfields neurala nätverk. Dessa nätverk modellerar mänskligt associativt minne, vilket är förmågan att lära sig och komma ihåg relationen mellan orelaterade föremål.
Teoretiska modeller som beskriver spinglasögon används i stor utsträckning i andra komplexa system, till exempel de som beskriver hjärnans funktion.
Med associativt minne, om bara ett minne triggas, till exempel genom att ta emot en delbild av ett ansikte som indata, kan nätverket återkalla hela ansiktet. Till skillnad från traditionella algoritmer kräver associativt minne inte ett identiskt scenario för att identifiera ett minne.
Undersökningen av Saccone och teamet bekräftade att spin-glas kommer att vara till hjälp för att beskriva egenskaperna hos ett system och hur det behandlar information. AI-algoritmer som utvecklats i spinglas skulle vara "smarrigare" än traditionella algoritmer, sa Saccone, men också mer flexibla för vissa AI-applikationer.
"Teoretiska modeller som beskriver spin-glasögon används i stor utsträckning i andra komplexa system, som de som beskriver hjärnans funktion, felkorrigerande koder eller aktiemarknadens dynamik", sa Saccone. "Detta breda intresse för spinglasögon ger stark motivation att skapa ett konstgjort spinglas."
Andra typer av hjärninspirerade chips kan också förbättra hur AI känner igen bilder. En färsk artikel visar hur datorchips dynamiskt kunde koppla om sig själva för att ta in ny data som hjärnan gör, vilket hjälper AI att fortsätta lära sig över tid.
"Hjärnorna hos levande varelser kan kontinuerligt lära sig under hela sin livstid", säger Shriram Ramanathan, professor vid Purdue Universitys School of Materials Engineering och en av tidningens författare i ett pressmeddelande."Vi har nu skapat en konstgjord plattform för maskiner att lära sig under hela deras livstid."
