Key Takeaways
- Eine seltene Art von Materie namens Spin Glass könnte KI ermöglichen, Objekte so zu erkennen, wie Menschen es tun.
- Die Verwendung von Spin-Glas für druckbare Sch altungen könnte auch zu neuen Arten von Low-Power-Computing führen.
- Andere Arten von Gehirn-inspirierten Chips könnten auch die Erkennung von Bildern durch KI verbessern.
Sch altungen direkt auf physische Objekte zu drucken, könnte zu intelligenterer künstlicher Intelligenz (KI) führen.
Forscher des Los Alamos National Laboratory verwenden eine seltene Form von Materie, die als Spinglas bekannt ist, um Sch altkreise zu ersetzen. Die ungewöhnlichen Eigenschaften von Spinglas ermöglichen eine Form von KI, die Objekte aus Teilbildern erkennen kann, wie es das Gehirn tut.
"Spin-Brillen sind Systeme mit einer 'holprigen Landschaft' möglicher Lösungen", sagte Cris Moore, Informatiker und Physiker am Santa Fe Institute, der nicht an der Los-Alamos-Forschung beteiligt war, in einer E-Mail an Lifewire Interview. "Sie helfen uns zu analysieren, warum Algorithmen manchmal in Lösungen stecken bleiben, die lokal gut aussehen, aber nicht die bestmöglichen sind."
Druckbare Sch altungen
Die Verwendung von Spin-Glas für druckbare Sch altungen könnte auch zu neuen Arten von Low-Power-Computing führen. Mit dem Spin-Glas können Forscher Materialstrukturen mathematisch untersuchen. Mit diesem Ansatz können Wissenschaftler die Interaktion innerhalb von Systemen mithilfe der Elektronenstrahllithographie optimieren, bei der ein fokussierter Elektronenstrahl verwendet wird, um benutzerdefinierte Formen auf einer Oberfläche zu zeichnen. Die Lithographie könnte den Druck neuer Arten von Sch altkreisen ermöglichen.
Die Lithographie macht es möglich, eine Vielzahl von Computerproblemen in Spinglas-Netzwerken darzustellen, laut einem kürzlich erschienenen Artikel des Teams von Los Alamos, der in der Fachzeitschrift Nature Physics veröffentlicht wurde.
"Unsere Arbeit hat die erste experimentelle Realisierung eines künstlichen Spin-Glases erreicht, das aus Nanomagneten besteht, die so angeordnet sind, dass sie ein neuronales Netzwerk replizieren", Michael Saccone, Postdoktorand in theoretischer Physik am Los Alamos National Laboratory und Hauptautor von das Papier, sagte in der Pressemitteilung. "Unsere Arbeit legt die Grundlagen, die wir brauchen, um diese physikalischen Systeme praktisch zu nutzen."
Moore verglich Spin-Glas mit Siliziumdioxid (Fensterglas), das wie ein perfekter Kristall aussieht, aber beim Abkühlen in einem amorphen Zustand stecken bleibt, der auf molekularer Ebene wie eine Flüssigkeit aussieht.
"Auf die gleiche Weise können Algorithmen hinter 'Energiebarrieren' stecken bleiben, die dem globalen Optimum im Wege stehen", fügte Moore hinzu.
Ideen aus der Spin-Glass-Theorie könnten Forschern helfen, sich in hochdimensionalen Landschaften zurechtzufinden.
"Dieses Streben hat eine lebendige interdisziplinäre Gemeinschaft an der Schnittstelle von Physik, Mathematik und Informatik geschaffen", sagte Moore.„Wir können Ideen aus der Physik verwenden, um grundlegende Grenzen von Algorithmen zu bestimmen – wie viel Rauschen sie tolerieren können, während sie dennoch Muster in Daten finden – und um Algorithmen zu entwerfen, die bis zu diesen theoretischen Grenzen erfolgreich sind.“
KI, die sich wie Menschen erinnert
Das Forschungsteam untersuchte künstliches Spinglas, um die sogenannten neuronalen Hopfield-Netzwerke zu untersuchen. Diese Netzwerke modellieren das menschliche assoziative Gedächtnis, das die Fähigkeit ist, die Beziehung zwischen nicht verwandten Elementen zu lernen und sich daran zu erinnern.
Theoretische Modelle, die Spingläser beschreiben, werden häufig in anderen komplexen Systemen verwendet, wie z. B. solchen, die die Gehirnfunktion beschreiben.
Wenn beim assoziativen Gedächtnis nur ein Gedächtnis ausgelöst wird, beispielsweise durch den Empfang eines Teilbildes eines Gesichts als Eingabe, kann das Netzwerk das gesamte Gesicht abrufen. Im Gegensatz zu herkömmlichen Algorithmen erfordert das assoziative Gedächtnis kein identisches Szenario, um ein Gedächtnis zu identifizieren.
Die Forschung von Saccone und dem Team bestätigte, dass Spinglas hilfreich sein wird, um die Eigenschaften eines Systems zu beschreiben und wie es Informationen verarbeitet. KI-Algorithmen, die in Spin Glass entwickelt wurden, wären „unordentlicher“als herkömmliche Algorithmen, sagte Saccone, aber auch flexibler für einige KI-Anwendungen.
"Theoretische Modelle, die Spin-Gläser beschreiben, werden in großem Umfang in anderen komplexen Systemen verwendet, wie z. B. solchen, die Gehirnfunktionen, fehlerkorrigierende Codes oder Börsendynamiken beschreiben", sagte Saccone. "Dieses breite Interesse an Spingläsern ist eine starke Motivation, ein künstliches Spinglas herzustellen."
Andere Arten von Gehirn-inspirierten Chips könnten auch die Erkennung von Bildern durch KI verbessern. Ein aktuelles Papier zeigt, wie sich Computerchips dynamisch neu verdrahten könnten, um neue Daten aufzunehmen, wie es das Gehirn tut, und der KI helfen, im Laufe der Zeit weiter zu lernen.
"Das Gehirn von Lebewesen kann während seiner gesamten Lebensdauer kontinuierlich lernen", sagte Shriram Ramanathan, Professor an der School of Materials Engineering der Purdue University und einer der Autoren der Studie, in einer Pressemitteilung."Wir haben jetzt eine künstliche Plattform geschaffen, auf der Maschinen während ihrer gesamten Lebensdauer lernen können."
