Niedoskonałość nie stanowi problemu dla sztucznych synaps

Korzystając ze strategii, która naśladuje kodowanie informacji w naszych mózgach, trio naukowców z Chin zaproponowało nową platformę dla sztucznej inteligencji (AI), która może być znacznie bardziej niezawodna niż istniejące architektury. Podejście, które nie zostało jeszcze wdrożone w laboratorium, wykorzystuje nieuniknioną niejednorodność sztucznych neuronów, która jest wynikiem defektów rzeczywistych materiałów magnetycznych.

Badania przeprowadzili Zhe Yuan, Ya Qiao i Yajun Zhang z Centrum Zaawansowanych Studiów Kwantowych i Wydział Fizyki na Beijing Normal University.

Jak dotąd najnowsze postępy w dziedzinie sztucznej inteligencji (AI) były osiągane głównie przy użyciu konwencjonalnego cyfrowego sprzętu komputerowego. Jednak staje się oczywiste, że konwencjonalne urządzenia silikonowe nie są idealne dla sztucznej inteligencji, a naukowcy opracowują architektury neuromorficzne, które naśladują strukturę i funkcje ludzkiego mózgu. Systemy te obiecują zwiększyć zarówno szybkość obliczeniową, jak i efektywność energetyczną systemów sztucznej inteligencji.

Naśladowanie synaps

Podstawowa architektura niektórych neuromorficznych systemów komputerowych obejmuje małe urządzenia do przechowywania pamięci – które zastępują neurony w naszych mózgach. Są one połączone ze sobą za pomocą memrystorów, które zmieniają swoją rezystancję w odpowiedzi na przepływający przez nie prąd. To pozwala im naśladować synapsy odpowiedzialne za przekazywanie sygnałów elektrycznych między neuronami. Sygnały te zmieniają swoją siłę w czasie, gdy informacje są zapamiętywane i tracone.

Jednym z wyzwań w tworzeniu neuromorficznych systemów komputerowych przy użyciu istniejących technik wytwarzania i mikroobróbki jest to, że może być trudno zapewnić jednolitość urządzeń składowych. Oznacza to, że ich wydajność może się znacznie różnić. Jeśli ta zmienność jest zbyt duża, może poważnie ograniczyć dokładność całego systemu.

Jednak Yuan zwraca uwagę, że ta niejednorodność niekoniecznie stanowi problem – o ile przyjmie się właściwe podejście. „Z pewnością nie mamy identycznych komórek w naszym mózgu, aw dynamice neuronalnej mózgu zachodzą również przypadkowe procesy” – mówi. „Niemniej jednak ludzie nadal mogą bez większych trudności wykonywać precyzyjne zadania poznawcze i ruchowe”.

Kodowanie populacji

W swoich badaniach Yuan i współpracownicy zbadali obiecującą strategię odtwarzania tej naturalnej zmienności. Podejście to, zwane „kodowaniem populacji”, przedstawia informacje w zbiorowej aktywności populacji neuronów, a nie w poszczególnych komórkach.

Jak wyjaśnia Yuan, ten scenariusz faktycznie naśladuje funkcję mózgu bardziej niż systemy identycznych neuronów. „W mózgu informacje o pozycjach, kierunkach, kolorach i innych zmiennych ciągłych są zwykle kodowane przez grupę komórek” – mówi. „W ten sposób szum poszczególnych komórek prawie nie wpływa na informacje”.

Memrystor kwantowy toruje drogę neuromorficznym informacjom kwantowym

Wdrażając kodowanie populacji, naukowcy obliczyli, w jaki sposób synapsy memrystorowe łączące sztuczne neurony mogą zostać zaimplementowane przy użyciu ścian domen. Są to struktury znalezione w materiałach ferromagnetycznych, które wyznaczają granice między regionami o różnej orientacji magnetycznej. Położenie ściany domenowej w materiale można zmienić, przepuszczając przez materiał prąd elektryczny - tworząc podstawę dla memrystora synapsy ściany domeny.

Trio obliczyło, że przy użyciu takich memrystorów ściany domeny niejednorodność urządzeń składowych może być zaletą. „Pokazujemy, że nawet przy zastosowaniu tych wysoce niejednorodnych urządzeń, zastosowanie strategii kodowania populacji może znacznie poprawić wydajność sieci neuronowej” — wyjaśnia Yuan.

Ich badania sugerują, że wykorzystanie kodowania populacji do wykorzystania synaps ściany domeny oferuje drogę do bardziej niezawodnych neuromorficznych systemów obliczeniowych, o wydajności porównywalnej z wydajnością bardziej tradycyjnych komputerów cyfrowych.

Zespół Yuana uważa również, że ich podejście można również zastosować do innych typów elementów neuromorficznych, w tym urządzeń rezystancyjnych, zmiennofazowych i ferroelektrycznych.

Badania opisano w Nowy Czasopismo Fizyki.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoAiStream. Analiza danych Web3. Wiedza wzmocniona. Dostęp tutaj.
• Wybijanie przyszłości w Adryenn Ashley. Dostęp tutaj.
• Źródło: https://physicsworld.com/a/imperfection-is-not-a-problem-for-artificial-synapses/