Мозгоподобный транзистор выполняет энергоэффективное ассоциативное обучение

Прочитано: 1858 раз(а)


Черпая вдохновение из человеческого мозга, исследователи разработали новый синаптический транзистор, способный мыслить на более высоком уровне.

Разработанное исследователями Северо-Западного университета, Бостонского колледжа и Массачусетского технологического института (MIT), устройство одновременно обрабатывает и хранит информацию точно так же, как человеческий мозг . В новых экспериментах исследователи продемонстрировали, что транзистор выходит за рамки простых задач машинного обучения по классификации данных и способен выполнять ассоциативное обучение.

Хотя предыдущие исследования использовали аналогичные стратегии для разработки вычислительных устройств, подобных мозгу, эти транзисторы не могут функционировать вне криогенных температур. Новое устройство, напротив, стабильно при комнатной температуре. Он также работает на высоких скоростях, потребляет очень мало энергии и сохраняет сохраненную информацию даже при отключении питания, что делает его идеальным для реальных приложений.

Исследование под названием «Муаровый синаптический транзистор с нейроморфной функциональностью при комнатной температуре» было опубликовано 20 декабря в журнале Nature.

«Мозг имеет принципиально иную архитектуру, чем цифровой компьютер», — сказал Марк Херсам из Northwestern, который возглавлял исследование.

«В цифровом компьютере данные перемещаются между микропроцессором и памятью туда и обратно, что потребляет много энергии и создает узкие места при попытке одновременного выполнения нескольких задач. С другой стороны, в мозге память и информация Процессы обработки расположены совместно и полностью интегрированы, что приводит к повышению энергоэффективности на несколько порядков. Наш синаптический транзистор аналогичным образом обеспечивает параллельную работу памяти и обработки информации , более точно имитируя работу мозга».

Херсам — профессор материаловедения и инженерии Уолтера П. Мерфи в Инженерной школе Маккормика Северо-Западного университета. Он также является заведующим кафедрой материаловедения и инженерии, директором Центра материаловедения и инженерии и членом Международного института нанотехнологий. Херсам руководил исследованием вместе с Цьонг Ма из Бостонского колледжа и Пабло Харильо-Эрреро из Массачусетского технологического института.

Недавние достижения в области искусственного интеллекта (ИИ) побудили исследователей разработать компьютеры, которые работают больше как человеческий мозг. Обычные цифровые вычислительные системы имеют отдельные блоки обработки и хранения, в результате чего задачи, требующие больших объемов данных, потребляют большое количество энергии. Поскольку интеллектуальные устройства постоянно собирают огромные объемы данных, исследователи пытаются найти новые способы их обработки без потребления все большего количества энергии.

В настоящее время резистор памяти, или «мемристор», является наиболее развитой технологией, которая может выполнять совмещенную функцию обработки и памяти. Но мемристоры по-прежнему страдают от энергозатратных переключений.

«В течение нескольких десятилетий парадигма в электронике заключалась в том, чтобы строить все на транзисторах и использовать одну и ту же кремниевую архитектуру», — сказал Херсам.

«Значительный прогресс был достигнут за счет простой упаковки все большего и большего количества транзисторов в интегральные схемы. Нельзя отрицать успех этой стратегии, но за это приходится платить высоким энергопотреблением, особенно в нынешнюю эпоху больших данных, когда цифровые вычисления находятся на пике популярности. 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 друг в друга, появляются новые свойства, которые не существуют только в одном слое. А когда эти слои скручиваются, образуя муаровый узор, становится возможной беспрецедентная настройка электронных свойств.

Для нового устройства исследователи объединили два разных типа атомно тонких материалов: двухслойный графен и гексагональный нитрид бора. Когда материалы складывались и целенаправленно скручивались, они образовывали муаровый узор. Вращая один слой относительно другого, исследователи смогли добиться разных электронных свойств в каждом слое графена, даже если их разделяют лишь размеры атомного масштаба. Сделав правильный выбор, исследователи использовали физику муара для нейроморфной функциональности при комнатной температуре.

«С поворотом в качестве нового параметра конструкции количество вариантов огромно», — сказал Херсам. «Графен и гексагональный нитрид бора очень похожи структурно, но различаются настолько, что позволяют получить исключительно сильный муаровый эффект».

Чтобы протестировать транзистор, Херсам и его команда научили его распознавать схожие, но не идентичные закономерности. Ранее в 2023 году Херсам представил новое наноэлектронное устройство , способное анализировать и классифицировать данные энергоэффективным способом, но его новый синаптический транзистор продвигает машинное обучение и искусственный интеллект на шаг вперед.

«Если ИИ предназначен для имитации человеческого мышления, одной из задач самого низкого уровня будет классификация данных, то есть просто сортировка по ячейкам», — сказал Херсам. «Наша цель — продвигать технологию искусственного интеллекта в направлении мышления более высокого уровня. Реальные условия часто более сложны, чем могут справиться современные алгоритмы искусственного интеллекта, поэтому мы тестировали 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 ИИ идентифицировать похожие шаблоны, например 111 или 101. «Если мы обучим его обнаруживать 000, а затем дадим ему 111 и 101, он поймет, что 111 больше похож на 000, чем на 101», — объяснил Херсам. «000 и 111 — это не совсем одно и то же, но оба представляют собой три цифры подряд. Признание того, что сходство — это форма познания более высокого уровня, известная как ассоциативное обучение».

В экспериментах новый синаптический транзистор успешно распознавал подобные закономерности, проявляя свою ассоциативную память. Даже когда исследователи бросали кривые мячи — например, давали ему неполные шаблоны — он все равно успешно демонстрировал ассоциативное обучение.

«Современный ИИ легко сбить с толку, что может вызвать серьезные проблемы в определенных контекстах», — сказал Херсам. «Представьте, что вы используете беспилотный автомобиль, а погодные условия ухудшаются. Транспортное средство может быть не в состоянии интерпретировать более сложные данные датчиков так, как это может сделать водитель-человек. Но даже когда мы предоставили нашему транзистору несовершенные входные данные, это все еще мог определить правильный ответ».

Мозгоподобный транзистор выполняет энергоэффективное ассоциативное обучение



Новости партнеров