Η τεχνητή νοημοσύνη (ΤΝΝ) και ο ανθρώπινος νους μπορεί να λειτουργούν και οι δύο με ηλεκτρική ενέργεια, αλλά εκεί τελειώνουν οι ομοιότητες. Ενώ η ΤΝΝ βασίζεται σε πυρήνες πυριτίου και μεταλλικών κυκλωμάτων, η ανθρώπινη αντίληψη προέρχεται από πολύπλοκο ζωντανό ιστό. Οι θεμελιώδεις διαφορές στην αρχιτεκτονική μεταξύ αυτών των συστημάτων συντείνουν στην ανεπάρκεια της ΤΝΝ.
Οι τρέχουσες μοντέλα ΤΝΝ λειτουργούν σε συμβατικούς υπολογιστές, οι οποίοι αποθηκεύουν και υπολογίζουν πληροφορίες σε ξεχωριστά στοιχεία, με αποτέλεσμα υψηλή κατανάλωση ενέργειας. Πράγματι, μόνο οι κέντρα δεδομένων αντιστοιχούν σε σημαντικό μέρος της παγκόσμιας κατανάλωσης ηλεκτρικής ενέργειας. Ωστόσο, επιστήμονες εδώ και καιρό επιδίδονται στην ανάπτυξη συσκευών και υλικών που μπορούν να μιμηθούν την υπολογιστική αποτελεσματικότητα του εγκεφάλου.
Τώρα, μια ανακάλυψη από μια ομάδα ερευνητών υπό την καθοδήγηση του Mark Hersam στο Πανεπιστήμιο Northwestern μας φέρνει πιο κοντά στην επίτευξη αυτού του στόχου. Έχουν ανασχεδιάσει το τρανζίστορ, ένα θεμέλιο οικοδομικό στοιχείο των ηλεκτρονικών κυκλωμάτων, για να λειτουργεί περισσότερο όπως ένα νευρώνας. Ενσωματώνοντας τη μνήμη με την επεξεργασία, αυτοί οι νέοι νευρωνο-συναπτικοί τρανζίστορ με μοτίβα moiré μειώνουν την κατανάλωση ενέργειας και επιτρέπουν στα συστήματα ΤΝΝ να υπερβούν την απλή αναγνώριση μοτίβων.
Για να πετύχουν αυτό, οι ερευνητές απευθύνθηκαν σε δισδιάστατα υλικά με μοναδικούς ατομικούς σχηματισμούς που δημιουργούν εκπληκτικά μοτίβα που ονομάζονται μορφές moiré. Αυτά τα υλικά επιτρέπουν τον ακριβή έλεγχο της ροής ηλεκτρικού ρεύματος και μπορούν να αποθηκεύουν δεδομένα χωρίς διαρκή παροχή ενέργειας λόγω των ειδικών κβαντικών τους ιδιοτήτων.
Σε αντίθεση με προηγούμενες προσπάθειες με τρανζίστορ moiré που λειτουργούσαν μόνο σε πολύ χαμηλές θερμοκρασίες, αυτή η νέα συσκευή λειτουργεί σε θερμοκρασία δωματίου και καταναλώνει 20 φορές λιγότερη ενέργεια. Ενώ η ταχύτητά της δεν έχει δοκιμαστεί πλήρως ακόμα, το ενσωματωμένο σχεδιασμό υποδηλώνει ότι θα είναι πιο γρήγορη και πιο ενεργειακά αποδοτική από την παραδοσιακή αρχιτεκτονική υπολογισμού.
Ο τελικός στόχος αυτής της έρευνας είναι να κάνει τα μοντέλα ΤΝΝ πιο ανάλογα με τον ανθρώπινο εγκέφαλο. Αυτά τα κυκλώματα παρόμοια με τον εγκέφαλο μπορούν να μαθαίνουν από δεδομένα, να διαμορφώνουν συνδέσεις, να αναγνωρίζουν μοτίβα και να κάνουν συναφή. Αυτή η ικανότητα, γνωστή ως συνεστιαμένη μάθηση, είναι προβληματική για παραδοσιακά μοντέλα ΤΝΝ με ξεχωριστά στοιχεία μνήμης και επεξεργασίας.
Χρησιμοποιώντας το νέο νευρωνοειδές κύκλωμα, τα μοντέλα ΤΝΝ μπορούν να διακρίνουν ανάμεσα σε σήμα και θόρυβο με μεγαλύτερη αποτελεσματικότητα, επιτρέποντάς τους να εκτελούν πολύπλοκες εργασίες. Για παράδειγμα, σε αυτοκίνητα αυτόνομης οδήγησης, αυτή η τεχνολογία μπορεί να βοηθήσει τους υπολογιστές να πλοηγηθούν σε δύσκολες οδικές συνθήκες και να διακρίνουν ανάμεσα σε πραγματικά εμπόδια και ασήμαντα αντικείμενα.
Αν και υπάρχει ακόμα δουλειά που πρέπει να γίνει για την ανάπτυξη κλιμακούμενων μεθόδων κατασκευής για αυτούς τους νευρομορφικούς τρανζίστορ, το δυναμικό για πιο αποδοτικά και ισχυρά συστήματα ΤΝΝ είναι ελπιδοφόρο. Με το να γεφυρώνουμε το χάσμα μεταξύ της ΤΝΝ και της ανθρώπινης γνώσης, αυτή η έρευνα ανοίγει συναρπαστικές πιθανότητες για το μέλλον της τεχνητής νοημοσύνης.
Τεχνητή Νοημοσύνη
The source of the article is from the blog regiozottegem.be