Tekoäly (AI) ja ihmisten ajattelu perustuvat kumpikin sähköön, mutta siinä päättyvätkin niiden yhtäläisyydet. Kun tekoäly perustuu piin ja metallin piirirakenteisiin, ihmisten tiedonkäsittely perustuu monimutkaisiin eläviin kudoksiin. Nämä järjestelmien väliset perustavanlaatuiset erot edistävät AI:n tehottomuutta.
Nykyiset tekoälymallit toimivat tavanomaisilla tietokoneilla, jotka tallentavat ja käsittelevät tietoa erillisissä komponenteissa, mikä johtaa suureen energiankulutukseen. Itse asiassa datakeskukset yksinään vastaavat merkittävästä osasta maailman sähkönkäyttöä. Tutkijat ovat kuitenkin jo pitkään pyrkineet kehittämään laitteita ja materiaaleja, jotka voivat matkia aivojen laskennallista tehokkuutta.
Nyt Northwesternin yliopiston Mark Hersamin johtaman tutkijaryhmän läpimurto vie meitä lähemmäksi tätä tavoitetta. He ovat uudelleensuunnitelleet transistorin, elektronisen piirirakenteen perusyksikön, toimimaan enemmän kuin neuronin tapaan. Muistin ja käsittelyn integroinnin ansiosta nämä uudet moiré-synaptiset transistorit vähentävät energiankulutusta ja mahdollistavat tekoälyjärjestelmien kyvyn ylittää yksinkertaisen kuvion tunnistamisen.
Tämän saavuttamiseksi tutkijat kääntyivät kahden ulottuvuuden materiaalien puoleen, joilla on ainutlaatuiset atomijärjestelyt ja jotka luovat lumoavia moiré-superstruktuureja. Nämä materiaalit mahdollistavat tarkan hallinnan sähkövirran virtaamiselle ja voivat tallentaa tietoa ilman jatkuvaa virtalähdettä niiden erityisten kvanttiominaisuuksien ansiosta.
Toisin kuin aiemmat yritykset moiré-transistoreissa, jotka toimivat vain äärimmäisen alhaisissa lämpötiloissa, tämä uusi laite toimii huonelämpötilassa ja kuluttaa 20 kertaa vähemmän energiaa. Vaikka sen nopeutta ei ole vielä täysin testattu, integroitu suunnittelu viittaa siihen, että se tulee olemaan nopeampi ja energiatehokkaampi kuin perinteinen laskentarkkitehtuuri.
Tämän tutkimuksen lopullinen tavoite on tehdä tekoälymalleista enemmän ihmisaivojen kaltaisia. Nämä aivojen kaltaiset piirit voivat oppia datan perusteella, luoda yhteyksiä, tunnistaa kuvioita ja tehdä assosiaatioita. Tämä mahdollisuus, joka tunnetaan assosiatiivisena oppimisena, on tällä hetkellä haastavaa perinteisten tekoälymallien erillisille muisti- ja käsittelyosille.
Uuden aivojen kaltaisen piirirakenteen avulla tekoälymallit voivat erottaa signaalin ja kohinan tehokkaammin, mahdollistaen monimutkaisten tehtävien suorittamisen. Esimerkiksi itsenäisesti ajavissa ajoneuvoissa tämä teknologia voi auttaa tekoälypiloteja navigoimaan haastavissa tieolosuhteissa ja erottamaan todelliset esteet epäolennaisista objekteista.
Vaikka neuromorfisten transistorien skaalautuvaan valmistustapaan on vielä työtä, tehokkaampien ja voimakkaampien tekoälyjärjestelmien potentiaali on lupaava. Yhdistämällä tekoäly ja ihmisten tiedonkäsittely tämä tutkimus avaa jännittäviä mahdollisuuksia tulevaisuuden tekoälyn kannalta.
Tekoäly (AI) viittaa koneiden tai tietokonejärjestelmien kykyyn suorittaa tehtäviä, jotka yleensä edellyttävät ihmisen älykkyyttä, kuten oppimista, ongelmanratkaisua ja päätöksentekoa.
Ihmisten tiedonkäsittelyllä tarkoitetaan niitä henkisiä prosesseja ja kykyjä, jotka mahdollistavat ihmisten tiedon hankinnan, ymmärtämisen, havaitsemisen, ajattelun ja viestinnän.
Piin ja metallin piirirakenteilla tarkoitetaan tavanomaisten tietokoneiden käyttämiä materiaaleja ja komponentteja, joiden avulla sähköisiä signaaleja voidaan käsitellä ja siirtää.
Arkkitehtuuri tarkoittaa tässä yhteydessä järjestelmän tai laitteen rakennetta ja organisaatiota.
Energiankulutus viittaa järjestelmän tai laitteen käyttämään energiamäärään sen toimintojen suorittamiseksi.
Datakeskukset ovat laitoksia, jotka sisältävät tietokonejärjestelmiä ja laitteita, kuten palvelimia ja tallennusvälineitä, suurten tietomäärien varastoimiseen, käsittelyyn ja jakeluun.
Moiré-superstruktuurit ovat lumoavia kuvioita, jotka syntyvät tiettyjen kahden ulottuvuuden materiaalien ainutlaatuisista atomijärjestelyistä.
Kvanttiominaisuudet viittaavat aineen ja energian ominaisuuksiin ja käyttäytymiseen atomi- ja subatomitasolla, kuten kvanttimekaniikan periaatteilla kuvattuna.
Kuvion tunnistaminen viittaa järjestelmän tai laitteen kykyyn havaita ja erottaa kuvioita tai ominaisuuksia tiedosta.
Transistori on elektronisen piirirakenteen perusyksikkö, joka kontrolloi sähkövirran virtausta ja vahvistaa tai kytkentä signaaleja.
Muisti tässä yhteydessä viittaa järjestelmän tai laitteen kykyyn tallentaa ja palauttaa tietoa.
Käsittely viittaa järjestelmän tai laitteen tiedon tai informaation käsittelyyn ja laskentaan.
Assosiatiivinen oppiminen viittaa järjestelmän tai laitteen kykyyn tehdä yhteyksiä ja assosiaatioita eri käsitteiden tai tietojen välillä.
Signaali ja kohina viittaavat merkityksellisen tiedon (signaali) ja epäoleellisen tai ei-toivotun datan tai häiriön (kohina) erottamiseen.
Skaalautuvat valmistusmenetelmät viittaavat prosesseihin ja tekniikoihin, jotka voidaan helposti laajentaa tai sovittaa tuottamaan suurempia määriä tuotteita tai laitteita.
Neuromorfiset transistorit ovat transistorit, jotka on suunniteltu matkimaan ihmisaivojen neuronien arkkitehtuuria ja toiminnallisuutta.
Ehdotettu liittyvä linkki: Northwesternin yliopisto
The source of the article is from the blog lokale-komercyjne.pl