Kunstmatige intelligentie (AI) en menselijk denken werken misschien allebei op elektriciteit, maar daar houden de overeenkomsten op. Terwijl AI afhankelijk is van silicium- en metaalschakelingen, is menselijke cognitie gebaseerd op complex levend weefsel. De fundamentele verschillen in architectuur tussen deze systemen dragen bij aan de inefficiëntie van AI.
Huidige AI-modellen draaien op conventionele computers, die informatie opslaan en verwerken in aparte componenten, wat resulteert in een hoog energieverbruik. In feite zijn datacenters alleen al verantwoordelijk voor een aanzienlijk deel van het wereldwijde elektriciteitsverbruik. Wetenschappers hebben echter al lang geprobeerd om apparaten en materialen te ontwikkelen die de computationele efficiëntie van de hersenen kunnen nabootsen.
Nu komt een door Mark Hersam van de Northwestern University geleid onderzoeksteam met een doorbraak die ons dichter bij het bereiken van dit doel brengt. Ze hebben de transistor, het fundamentele bouwsteen van elektronische schakelingen, opnieuw ontworpen om meer als een neuron te functioneren. Door geheugen en verwerking te integreren, verminderen deze nieuwe moiré synaptische transistoren het energieverbruik en stellen ze AI-systemen in staat om verder te gaan dan eenvoudige patroonherkenning.
Om dit te bereiken, hebben de onderzoekers gebruik gemaakt van tweedimensionale materialen met unieke atomaire structuren die betoverende patronen genaamd moiré-superstructuren creëren. Deze materialen maken precieze controle van elektrische stroom mogelijk en kunnen gegevens opslaan zonder continu stroom toe te voeren dankzij hun speciale kwantumeigenschappen.
In tegenstelling tot eerdere pogingen met moiré-transistoren, die alleen werkten bij extreem lage temperaturen, functioneert dit nieuwe apparaat bij kamertemperatuur en verbruikt het 20 keer minder energie. Hoewel de snelheid nog volledig moet worden getest, suggereert het geïntegreerde ontwerp dat het sneller en energiezuiniger zal zijn dan traditionele computertechnologie.
Het ultieme doel van dit onderzoek is om AI-modellen meer op de menselijke hersenen te laten lijken. Deze hersenachtige circuits kunnen leren van gegevens, verbindingen leggen, patronen herkennen en associaties maken. Deze capaciteit, bekend als associatief leren, is momenteel een uitdaging voor traditionele AI-modellen met afzonderlijke geheugen- en verwerkingscomponenten.
Door gebruik te maken van de nieuwe hersenachtige schakelingen kunnen AI-modellen effectiever onderscheid maken tussen signaal en ruis, waardoor ze complexe taken kunnen uitvoeren. Bijvoorbeeld, in zelfrijdende voertuigen kan deze technologie AI-bestuurders helpen om te gaan met uitdagende wegomstandigheden en onderscheid te maken tussen echte obstakels en irrelevante objecten.
Hoewel er nog werk te verrichten is bij het ontwikkelen van schaalbare productiemethoden voor deze neuromorfe transistoren, is het potentieel voor meer efficiënte en krachtige AI-systemen veelbelovend. Door de kloof tussen AI en menselijke cognitie te overbruggen, opent dit onderzoek spannende mogelijkheden voor de toekomst van kunstmatige intelligentie.
Kunstmatige intelligentie (AI) verwijst naar het vermogen van machines of computersystemen om taken uit te voeren die normaal gesproken menselijke intelligentie vereisen, zoals leren, probleemoplossing en besluitvorming.
Menselijke cognitie verwijst naar de mentale processen en vaardigheden die mensen in staat stellen kennis te verwerven, te begrijpen, waar te nemen, te denken en te communiceren.
Silicium- en metaalschakelingen verwijzen naar de materialen en onderdelen die in conventionele computers worden gebruikt om elektrische signalen te verwerken en te verzenden.
Architectuur in deze context verwijst naar de structuur en organisatie van een systeem of apparaat.
Energieverbruik verwijst naar de hoeveelheid energie die door een systeem of apparaat wordt gebruikt om zijn functies uit te voeren.
Datacenters zijn faciliteiten die computersystemen en apparatuur huisvesten, inclusief servers en opslag, met als doel grote hoeveelheden gegevens op te slaan, te verwerken en te distribueren.
Moiré-superstructuren zijn betoverende patronen die worden gecreëerd door de unieke atomaire structuren van bepaalde tweedimensionale materialen.
Kwantumeigenschappen verwijzen naar de eigenschappen en gedragingen van materie en energie op het atomaire en subatomaire niveau, zoals beschreven door de principes van de kwantummechanica.
Patroonherkenning verwijst naar het vermogen van een systeem of apparaat om patronen of kenmerken in gegevens te identificeren en te onderscheiden.
Een transistor is een fundamentele bouwsteen van elektronische schakelingen, verantwoordelijk voor het regelen van de stroom van elektrische stroom en het versterken of schakelen van signalen.
Geheugen in deze context verwijst naar het vermogen van een systeem of apparaat om informatie op te slaan en op te halen.
Verwerking verwijst naar de manipulatie en berekening van gegevens of informatie door een systeem of apparaat.
Associatief leren verwijst naar het vermogen van een systeem of apparaat om verbindingen en associaties te leggen tussen verschillende concepten of gegevens.
Signaal en ruis verwijst naar het onderscheid tussen betekenisvolle informatie (signaal) en irrelevante of ongewenste gegevens of storingen (ruis).
Schaalbare productiemethoden verwijzen naar processen en technieken die gemakkelijk kunnen worden uitgebreid of aangepast voor het produceren van grotere hoeveelheden van een product of apparaat.
Neuromorfe transistoren zijn transistoren die zijn ontworpen om de architectuur en functionaliteit van neuronen in de menselijke hersenen na te bootsen.
The source of the article is from the blog maestropasta.cz