Et bittelitt, selvorganisert nettverk av kunstige synapser husker opplevelsene og kan løse enkle problemer. Skaperne håper at det en dag, på grunnlag av denne kunstige hjernen, vil bli laget enheter som i deres energieffektivitet ikke er dårligere enn datakraften til hjernen. Generelt sett er hjerner, hvis vi utelater deres prestasjoner i å tenke og løse problemer, perfekte når det gjelder energieffektivitet. Hjernen trenger samme mengde energi for å fungere som en glødelampe på 20 watt absorberer. Og en av de kraftigste og raskeste superdatamaskinene i verden, Computer K i Kobe, Japan, bruker opptil 9,89 megawatt kraft - omtrent det samme som 10.000 hjem. Men i 2013, selv med denne energien, tok det maskinen 40 minutter å simulere 1% av menneskets hjerne aktivitet på 1 sekund.
Og slik håper forskningsingeniører ved NanoSystems Institute of California ved University of California, Los Angeles å konkurrere med de beregningsmessige og energieffektive evnene til hjernen, takket være systemer som speiler strukturen i hjernen. De lager et apparat, muligens det første i sitt slag, som er "inspirert av hjernen til å generere egenskaper som gjør det mulig for hjernen å gjøre det den gjør," sier Adam Stig, en forsker og førsteamanuensis ved instituttet som leder prosjektet med Jim Gimzewski, professor i kjemi ved University of California I Los Angeles.
Designet deres er slett ikke som vanlige datamaskiner, som er basert på små ledninger trykt på silisiummikrokretser i høyt bestilte kretsløp. Den nåværende eksperimentelle versjonen er et 2 x 2 mm rutenett av sølv nanotråder koblet sammen med kunstige synapser. I motsetning til silisiumkretsløp med sin geometriske presisjon, er denne enheten vevd som en "godt blandet spaghettirett," sier Stig. Dessuten er dens fine struktur organisert fra tilfeldige kjemiske og elektriske prosesser, og er ikke nøye designet.
I sin kompleksitet ligner denne sølvbanen en hjerne. Det er en milliard kunstige synapser per kvadratcentimeter av rutenettet, som er flere størrelsesordener forskjellig fra den virkelige hjernen. Den elektriske aktiviteten til nettverket viser også en egenskap som er unik for komplekse systemer som hjernen: "kritisitet", en tilstand mellom orden og kaos som indikerer maksimal effektivitet.
Dette nettverket av sterkt sammenvevd nanotråd kan se kaotisk og tilfeldig ut, men strukturen og oppførselen ligner strukturen til nevroner i hjernen. Forskere ved NanoSystems utvikler det som en hjerneenhet for læring og databehandling.
Foreløpige eksperimenter viser dessuten at dette nevromorfe (dvs. hjernelignende) sølvtrådnettet har et stort funksjonspotensial. Hun kan allerede utføre enkle pedagogiske og logiske operasjoner. Det kan fjerne uønsket støy fra det mottatte signalet, en viktig evne til stemmegjenkjenning og lignende oppgaver som forårsaker problemer i tradisjonelle datamaskiner. Og dens eksistens beviser prinsippet om at det en dag vil være mulig å lage enheter med energieffektivitet nær hjernen.
Disse fordelene er spesielt nysgjerrige på bakgrunn av den nærme grensen for miniatyrisering og effektivitet av silisiummikroprosessorer. "Moores lov er død, halvledere kan ikke lenger bli mindre, og folk begynner å gråte om hva de skal gjøre," sier Alex Nugent, administrerende direktør i Knowm, et nevromorf datamaskinselskap som ikke er involvert i UCLA-prosjektet. “Jeg liker denne ideen, denne retningen. Konvensjonelle databehandlingsplattformer er en milliard ganger mindre effektive."
Salgsfremmende video:
Bytes som synapser
Da Gimrzewski begynte å jobbe med sitt sølvnettprosjekt for 10 år siden, var han ikke interessert i energieffektivitet i det hele tatt. Han kjedet seg. Ved å bruke et skannet tunnelmikroskop for å studere elektronikk i atomskalaen i 20 år, sa han til slutt: "Jeg er lei av perfeksjon og presis kontroll og er litt lei av reduksjonisme."
Reduksjonisme, bør det antas, ligger til grunn for alle moderne mikroprosessorer, når komplekse fenomener og kretsløp kan forklares ved bruk av enkle fenomener og elementer.
I 2007 ble han bedt om å studere individuelle atomomkoblere (eller brytere) utviklet av gruppen Masakazu Aono fra International Center for Materials on Nanoarchitectonics i Tsukuba, Japan. Disse bryterne inneholdt den samme ingrediensen som gjør en sølvskje svart når den berører et egg: jernsulfid klemt mellom hardt metallisk sølv.
Påføring av spenning på enhetene skyver de positivt ladede sølvionene i sølvsulfidet mot sølvkatodelaget, hvor de reduseres til metallisk sølv. De atomære sølvfilamentene vokser, og til slutt lukker spalten mellom de metalliske sølvsidene. Bryteren er på og strøm kan strømme. Å reversere strømmen har motsatt effekt: Sølvbroene er forkortet og bryteren er slått av.
Kort tid etter å ha utviklet bryteren begynte Aonos gruppe å observere uvanlig oppførsel. Jo oftere bryteren ble brukt, jo lettere var det å slå på. Hvis den ikke ble brukt på noen tid, slo den gradvis av på egen hånd. I hovedsak husket bryteren historien. Aono og kollegene fant også ut at bryterne så ut til å samhandle med hverandre, slik at å slå på den ene bryteren noen ganger ville blokkere eller slå av andre i nærheten.
Flertallet i Aonos gruppe ønsket å konstruere disse rare egenskapene utenom brytere. Men Gimrzewski og Stig (som nettopp hadde fullført doktorgraden i Gimrzewskis gruppe) husket synapser, vekslingene mellom nerveceller i den menneskelige hjernen, som også endrer forhold til erfaring og interaksjon. Og slik ble ideen født. "Vi tenkte, hvorfor ikke prøve å oversette alt dette til en struktur som ligner en hjernebark fra en pattedyr og studere den?" Sier Stig.
Å bygge en så sammensatt struktur var definitivt vanskelig, men Stig og Odrius Avicenis, som nettopp hadde sluttet seg til gruppen som hovedfagsstudent, utviklet en protokoll for dette. Ved å helle sølvnitrat på bittesmå kobbersfærer, kan de få mikroskopisk tynne kryssende sølvtråder til å vokse. De kunne deretter pumpe svovelgass gjennom dette rutenettet for å lage et lag med sølvaktig sulfid mellom sølvtrådene, som i det originale Aono-teamets atombryter.
Selvorganisert kritikk
Da Gimzewski og Stig fortalte andre om prosjektet sitt, var det ingen som trodde det ville fungere. Noen sa at enheten ville vise en type statisk aktivitet og bosette seg på den, husket Stig. Andre antydet det motsatte: "De sa at bryteren ville kaskade og hele strukturen bare ville brenne ut," sier Gimzewski.
Men enheten smeltet ikke. Derimot, da Gimzewski og Stig så på ham gjennom et infrarødt kamera, fortsatte inngangsstrømmen å endre banene den tok gjennom enheten - og beviste at aktiviteten i nettverket ikke var lokalisert, men heller distribuert, som i hjernen.
En høstdag i 2010, da Avicenis og hans kollega Henry Sillin økte inngangsspenningen til enheten, merket de plutselig at utgangsspenningen begynte å tilfeldigvis svinge, som om nettverket hadde kommet til liv. "Vi satte oss ned og så på det, vi ble sjokkerte," sier Sillin.
De gjettet at de hadde funnet noe interessant. Da Avicenis analyserte overvåkningsdata over flere dager, fant han ut at nettverket forble på samme aktivitetsnivå i korte perioder oftere enn i lange perioder. De fant senere ut at små aktivitetsområder var vanligere enn store.
"Kjeven min falt," sier Avicenis, fordi det er første gang de lærte en strømlov fra deres enhet. Kraftlover beskriver matematiske forhold der en variabel endres som kraften til en annen. De gjelder systemer der større skalaer, lengre hendelser er mindre vanlige enn mindre og kortere, men de er utbredte og ikke ved en tilfeldighet. Per Bac, en dansk fysiker som døde i 2002, foreslo først kraftlover som kjennetegnet for alle slags komplekse dynamiske systemer som kan organisere seg over store skalaer og lange avstander. Denne oppførselen, sa han, indikerer at et komplekst system balanserer og fungerer i midten mellom orden og kaos, i en tilstand av "kritikalitet", og at alle deler av den samvirker og kobler sammen for maksimal effektivitet.
Som Buck spådde, ble maktrettslig oppførsel observert i den menneskelige hjernen: I 2003 observerte Dietmar Plenz, en nevrofysiolog ved National Institutes of Health, at grupper av nerveceller aktiverte andre, som igjen aktiverte andre, ofte utløste systemiske kaskader av aktivering. Plenz fant at størrelsene på disse kaskadene følger en kraftlovsfordeling, og hjernen handlet på en slik måte at den maksimerte spredningen av aktivitet uten å risikere å miste kontrollen over dens spredning.
At University of California-enheten også demonstrerte maktloven i aksjon, er veldig viktig, sier Plentz. Fordi det følger at den, som i hjernen, har en delikat balanse mellom aktivering og hemming, noe som gjør at summen av delene fungerer. Aktiviteten undertrykker ikke settet, men den stopper heller ikke.
Gimrzewski og Stig fant senere en annen likhet mellom sølvnettverket og hjernen: akkurat som den sovende menneskelige hjerne viser færre korte kaskader av aktivering enn den våkne hjernen, blir den korte aktiveringstilstanden i sølvnettet mindre vanlig ved lavere inngangsenergier. På noen måte kan redusere strømforbruket til en enhet skape en tilstand som ligner den sovende tilstanden til den menneskelige hjernen.
Læring og databehandling
Og her er spørsmålet: hvis et nettverk av sølvtråder har hjernelignende egenskaper, kan det løse beregningsproblemer? Foreløpige eksperimenter har vist at svaret er ja, selv om enheten selvfølgelig ikke en gang er eksternt sammenlignbar med en vanlig datamaskin.
For det første er det ingen programvare. I stedet utnytter forskerne det faktum at nettverket kan forvrenge det innkommende signalet på forskjellige måter, avhengig av hvor utgangen måles. Dette gir en mulig bruk for tale- eller bildegjenkjenning, ettersom enheten må kunne rydde opp i et støyende inngangssignal.
Det følger også av dette at enheten kan brukes til såkalte reservoarberegninger. Siden en enkelt inngang i prinsippet kan generere mange, millioner forskjellige utganger (derav reservoaret), kan brukerne velge eller kombinere utganger slik at resultatet blir ønsket inngangsberegning. Hvis du for eksempel stimulerer en enhet på to forskjellige steder samtidig, er det en sjanse for at en av millionene forskjellige utganger vil representere summen av de to inngangene.
Utfordringen er å finne de riktige konklusjonene og avkode dem, og finne ut hvordan du best kan kode informasjonen slik at nettverket kan forstå den. Dette kan gjøres ved å trene enheten: ved å kjøre oppgaven hundrevis eller tusenvis av ganger, først med en type inngang, deretter med en annen, og sammenligne hvilken utgang som klarer oppgaven bedre. "Vi programmerer ikke enheten, men vi velger den beste måten å kode informasjonen på, slik at oppførselen til nettverket er nyttig og interessant," sier Gimrzewski.
I et arbeid som snart skal publiseres, vil forskere forklare hvordan de trente et nettverk av ledninger for å utføre enkle logiske operasjoner. Og i upubliserte eksperimenter trente de nettverket for å løse et enkelt minneproblem som vanligvis er gitt til rotter (T-labyrinten). I T-labyrint-testen belønnes rotta hvis den gjør en riktig sving som svar på lys. Med sin egen versjon for trening kan nettverket ta det riktige valget 94% av tiden.
Så langt har disse resultatene vært lite mer enn et prinsippbevis, sier Nugent. "Den lille rotta som tar en avgjørelse i T-labyrinten kommer aldri i nærheten av noe innen maskinlæring som kan evaluere dens systemer," sier han. Han tviler på at enheten kan gjøres om til en nyttig chip de neste årene.
Men potensialet er stort, understreker han. Fordi nettverket, som hjernen, ikke skiller prosessering og minne. Tradisjonelle datamaskiner må overføre informasjon mellom forskjellige domener som håndterer disse to funksjonene. "All denne ekstra kommunikasjonen bygger seg opp fordi ledningene trenger strøm," sier Nugent. Hvis du tar tradisjonelle datamaskiner, må du slå Frankrike av for å simulere en fullstendig menneskelig hjerne med anstendig oppløsning. Hvis enheter som Silver Network kan løse problemer med effektiviteten til maskinlæringsalgoritmer som kjører på tradisjonelle datamaskiner, kan de bruke en milliard ganger mindre strøm. Og så er saken liten.
Forskernes funn støtter også forestillingen om at under riktige omstendigheter kan intelligente systemer dannes gjennom egenorganisasjon, uten noen mal eller prosess for deres utvikling. Silver Network "dukket spontant opp," sier Todd Hilton, en tidligere DARPA-sjef som støttet prosjektet tidlig.
Gimrzewski mener at et nettverk av sølvtråder eller lignende enheter kan være bedre enn tradisjonelle datamaskiner ved å forutsi komplekse prosesser. Tradisjonelle datamaskiner modellerer verden med ligninger som ofte bare beskriver komplekse fenomener. Atomiske svitsjernomorfe nettverk tilpasser sin egen indre strukturelle kompleksitet med fenomenet de simulerer. Og de gjør det også raskt - nettverkets tilstand kan svinge med opptil titusenvis av endringer per sekund. "Vi bruker et komplekst system for å forstå komplekse fenomener," sier Gimrzewski.
Tidligere i år, på et møte i American Chemical Society i San Francisco, presenterte Gimzewski, Stig og kollegene resultatene av et eksperiment der de matet enheten de tre første årene av et seks år lang Los Angeles-datasett i en serie pulser som indikerer antall passerende biler i timen. Etter hundrevis av timers trening spådde resultatet endelig den statistiske trenden til andre halvdel av datasettet, og ganske bra, selv om det ikke ble vist til enheten.
Kanskje en dag, spøker Gimrzewski, bruker han nettverket for å forutsi aksjemarkedet.
Ilya Khel
