Mga Key Takeaway
- Ang isang bihirang uri ng bagay na tinatawag na spin glass ay maaaring paganahin ang AI na kumikilala sa mga bagay tulad ng ginagawa ng mga tao.
- Ang paggamit ng spin glass para sa mga napi-print na circuit ay maaari ding humantong sa mga bagong uri ng low-power computing.
- Maaari ding mapabuti ng iba pang mga uri ng brain-inspired chips kung paano kinikilala ng AI ang mga larawan.
Ang pag-print ng mga circuit nang direkta sa mga pisikal na bagay ay maaaring humantong sa mas matalinong artificial intelligence (AI).
Ang mga mananaliksik sa Los Alamos National Laboratory ay gumagamit ng isang pambihirang anyo ng bagay na kilala bilang spin glass upang palitan ang mga circuit. Ang mga hindi pangkaraniwang katangian ng spin glass ay nagbibigay-daan sa isang anyo ng AI na maaaring makilala ang mga bagay mula sa mga bahagyang larawan tulad ng ginagawa ng utak.
"Ang mga spin glass ay mga system na may 'bumpy landscape' ng mga posibleng solusyon," sinabi ni Cris Moore, isang computer scientist at physicist sa Santa Fe Institute, na hindi kasama sa pananaliksik sa Los Alamos, sa Lifewire sa isang email panayam. "Tumutulong sila sa amin na suriin kung bakit ang mga algorithm kung minsan ay natigil sa mga solusyon na mukhang maganda sa lokal ngunit hindi pinakamahusay na posible."
Printable Circuits
Ang paggamit ng spin glass para sa mga napi-print na circuit ay maaari ding humantong sa mga bagong uri ng low-power computing. Ang spin-glass ay nagpapahintulot sa mga mananaliksik na siyasatin ang mga istrukturang materyal gamit ang matematika. Sa diskarteng ito, maaaring i-tweak ng mga siyentipiko ang pakikipag-ugnayan sa loob ng mga system gamit ang electron-beam lithography, na gumagamit ng nakatutok na sinag ng mga electron upang gumuhit ng mga custom na hugis sa ibabaw. Maaaring payagan ng lithography ang pag-print ng mga bagong uri ng circuitry.
Ang lithography ay ginagawang posible na kumatawan sa iba't ibang problema sa pag-compute sa mga spin-glass network, ayon sa isang kamakailang papel ng Los Alamos team na inilathala sa peer-reviewed journal Nature Physics.
"Nagawa ng aming trabaho ang unang eksperimentong pagsasakatuparan ng isang artipisyal na spin-glass na binubuo ng mga nanomagnet na inayos upang kopyahin ang isang neural network," Michael Saccone, isang post-doctoral researcher sa theoretical physics sa Los Alamos National Laboratory at nangungunang may-akda ng ang papel, sinabi sa release ng balita. "Inilatag ng aming papel ang batayan na kailangan namin upang magamit ang mga pisikal na sistemang ito nang praktikal."
Inihalintulad ni Moore ang spin glass sa silicon dioxide (window glass), na mukhang perpektong kristal, ngunit habang lumalamig ito, naiipit ito sa amorphous na estado na parang likido sa antas ng molekular.
"Sa parehong paraan, ang mga algorithm ay maaaring makaalis sa likod ng 'mga hadlang sa enerhiya' na humahadlang sa pandaigdigang pinakamabuting kalagayan," dagdag ni Moore.
Ang mga ideya mula sa teorya ng spin glass ay maaaring makatulong sa mga mananaliksik na mag-navigate sa mga high-dimensional na landscape.
"Ang pagtugis na ito ay lumikha ng isang makulay na interdisiplinaryong komunidad sa intersection ng physics, matematika, at computer science," sabi ni Moore."Maaari kaming gumamit ng mga ideya mula sa physics upang matukoy ang mga pangunahing limitasyon sa mga algorithm-tulad ng kung gaano karaming ingay ang maaari nilang tiisin habang naghahanap pa rin ng mga pattern sa data-at upang magdisenyo ng mga algorithm na magtatagumpay hanggang sa mga limitasyong teoretikal na iyon."
AI That Remembers Like Humans
Inimbestigahan ng research team ang artificial spin glass bilang isang paraan upang tingnan ang tinatawag na Hopfield neural network. Ang mga network na ito ay nagmomodelo ng human associative memory, na kung saan ay ang kakayahang matuto at matandaan ang kaugnayan sa pagitan ng mga hindi nauugnay na item.
Ang mga teoretikal na modelo na naglalarawan ng mga spin glass ay malawakang ginagamit sa iba pang kumplikadong sistema, gaya ng mga naglalarawan sa paggana ng utak.
Na may kaugnay na memorya, kung isang memorya lang ang na-trigger, halimbawa sa pamamagitan ng pagtanggap ng bahagyang larawan ng isang mukha bilang input-kung gayon ay maaalala ng network ang buong mukha. Hindi tulad ng mga tradisyunal na algorithm, ang nauugnay na memorya ay hindi nangangailangan ng magkaparehong senaryo upang matukoy ang isang memorya.
Kinumpirma ng pananaliksik ni Saccone at ng team na makakatulong ang spin-glass upang ilarawan ang mga katangian ng isang system at kung paano ito nagpoproseso ng impormasyon. Ang mga algorithm ng AI na binuo sa spin glass ay magiging "mas magulo" kaysa sa mga tradisyonal na algorithm, sabi ni Saccone, ngunit mas flexible din para sa ilang AI application.
"Ang mga teoretikal na modelo na naglalarawan ng mga salamin sa pag-ikot ay malawakang ginagamit sa iba pang mga kumplikadong sistema, gaya ng mga naglalarawan sa paggana ng utak, mga code sa pagwawasto ng error, o dynamics ng stock-market," sabi ni Saccone. "Ang malawak na interes na ito sa spin glasses ay nagbibigay ng malakas na motibasyon upang makabuo ng isang artipisyal na spin glass."
Iba pang mga uri ng brain-inspired chips ay maaari ding mapabuti kung paano kinikilala ng AI ang mga larawan. Ipinapakita ng isang kamakailang papel kung paano maaaring dynamic na i-rewire ng mga computer chip ang kanilang mga sarili upang kumuha ng bagong data tulad ng ginagawa ng utak, na tumutulong sa AI na patuloy na matuto sa paglipas ng panahon.
"Ang utak ng mga nabubuhay na nilalang ay maaaring patuloy na matuto sa buong buhay nila," sabi ni Shriram Ramanathan, isang propesor sa School of Materials Engineering ng Purdue University at isa sa mga may-akda ng papel sa isang pahayagan."Gumawa na kami ngayon ng isang artipisyal na platform para matuto ang mga machine sa buong buhay nila."
