Forskere har laget kunstig intelligens i et prøverør ved hjelp av DNA-molekyler, og de er sikre på at den snart vil begynne å danne sine egne "minner".
Et kunstig nevralt nettverk laget utelukkende av DNA og som etterligner måten hjernen fungerer på, ble opprettet av forskere i laboratoriet.
Testrør AI kan løse det klassiske maskinlæringsproblemet ved korrekt å identifisere håndskrevne tall.
Arbeidet er et viktig skritt i å demonstrere evnen til å programmere AI i kunstige organiske kretser, sier forskere.
Dette kan en dag føre til humanoide roboter laget av helt organiske materialer, i stedet for de skinnende metall-cybermennene som er populære i showkulturen.
Forskerne er sikre på at enheten snart vil begynne å danne sine egne "minner" fra prøvene som er lagt til prøverøret.
Deres endelige mål er å programmere intelligent atferd som evnen til å beregne, ta valg og mer, ved hjelp av kunstige nevrale nettverk laget av DNA.
Kunstnerens tegning er et kunstig nevralt nettverk som er opprettet fra DNA.
Kampanjevideo:
California Institute of Technology valgte et problem som er en klassisk utfordring for å løse problemet med elektroniske kunstige nevrale nettverk som gjenkjenner håndskrevet tekst.
Det var et av de første problemene som ble løst av datasynsforskere, og en ideell metode for å illustrere evnene til DNA-baserte nevrale nettverk.
En persons håndskrift kan variere mye, og når en person studerer en skriftlig tallrekke, utfører hjernen komplekse beregningsoppgaver for å identifisere dem.
Siden det er vanskelig selv for mennesker å gjenkjenne hverandres slurvete håndskrift, er det å identifisere håndskrevne tall en vanlig test for programmering av intelligens i AI-nevrale nettverk.
Disse nettverkene må”trenes” til å gjenkjenne tall, redegjøre for forskjeller i håndskrift, og deretter sammenligne det ukjente nummeret med de såkalte minnene og bestemme identifikasjonen av nummeret.
Teamet demonstrerte at et nevralt nettverk av forseggjorte DNA-sekvenser kan utføre kjemiske reaksjoner som indikerer at det korrekt identifiserte "molekylær håndskrift."
Når et ukjent tall blir gitt, gjennomgår denne såkalte "smarte suppen" en serie reaksjoner og avgir to fluorescerende signaler, for eksempel grønt og gult for å representere fem, eller grønt og rødt for å representere ni.
HVORFOR FORSKERE HAR BRUKT DNA TIL
LAGER KI I EN RØR?
Nøkkelen til å lage biomolekylære tråder fra DNA er de strenge reglene for binding mellom DNA-molekyler.
Et enkeltstrenget DNA-molekyl består av mindre molekyler kalt nukleotider - forkortet A, T, C og G - plassert i en streng eller sekvens.
Nukleotider i et enkeltstrenget DNA-molekyl kan binde seg til nukleotider på en annen enkeltstrenget streng for å danne dobbeltstrenget DNA, men nukleotider binder bare på veldig spesifikke måter.
Nukleotid A binder seg alltid til T og C til G.
Ved å bruke disse forutsigbare bindingsreglene, var forskerne i stand til å designe korte DNA-tråder for å gjennomgå forutsigbare kjemiske reaksjoner in vitro og dermed beregne oppgaver som å gjenkjenne molekylære strukturer.
I 2011 opprettet de det første kunstige nevrale nettverket av DNA-molekyler som kunne gjenkjenne fire enkle mønstre.
I juli 2018 avduket de in vitro kunstig intelligens som kan løse det klassiske maskinlæringsproblemet ved å korrekt identifisere håndskrevne tall.
Lederforsker Lulu Qian, førsteamanuensis ved Institutt for bioteknologi, sa: “Selv om forskere nettopp har begynt å undersøke etableringen av kunstig intelligens i molekylære maskiner, er dens potensial allerede unektelig.
Akkurat som elektroniske datamaskiner og smarttelefoner gjorde mennesker mer dyktige enn hundre år siden, vil kunstige molekylære maskiner kunne lage alt laget av molekyler - inkludert til og med maling og bandasjer - og bli mer dyktige og mer lydhøre overfor miljøet de neste hundre årene.."
HVORDAN LÆRER KUNSTIG INTELLIGENSE?
AI-systemer er avhengige av kunstige nevrale nettverk (ANN) som prøver å etterligne måten hjernen fungerer for å lære.
ANN-er vil lære å gjenkjenne mønstre i informasjon, inkludert tale, tekstdata eller visuelle bilder, og er grunnlaget for et stort antall AI-utvikling de siste årene.
Konvensjonell AI bruker innganger for å trene en algoritme om et bestemt emne, og gir det et vell av informasjon.
Praktiske applikasjoner inkluderer Googles språkoversettelsestjenester, Facebook ansiktsgjenkjenningsprogramvare og Snapchat bilderedigeringsfiltre.
Prosessen med å legge inn disse dataene kan være ekstremt tidkrevende og begrenset til en type kunnskap.
En ny generasjon ANN-er, kalt Adversarial Neural Networks, setter vettet av to AI-bots mot hverandre, slik at de kan lære av hverandre.
Denne tilnærmingen tar sikte på å øke hastigheten på læringsprosessen samt forbedre slutningene generert av AI-systemer.
