Aivomaista tietotekniikkaa

Kaavamainen esitys fotonisesta aivojen toimintaa jäljittelevästä prosessorista, joka tarjoaa lupaavan alustan koneoppimisen ja mallintunnistuksen haasteisiin.

Kansainvälinen tutkijaryhmä Münsterin, Oxfordin ja Exeterin yliopistoista ovat kehittäneet fotonisen piiritekniikan, joka voisi tasoittaa tietä aivoja muistuttavalla laskentatekniikalle.

Tutkijat onnistuivat tuottamaan sirun, joka sisälsi keinotekoisten neuronien verkoston, joka toimii valolla ja voi jäljitellä hermosolujen ja niiden synapsien käyttäytymistä.

Tutkijat pystyivät myös osoittamaan, että tällainen optinen neurosynaptinen verkko pystyy omaksumaan informaatiota ja käyttämään sitä pohjana laskennalle ja kuvioiden tunnistamiselle - aivan kuten aivot voivat.

Koska järjestelmä toimii vain valolla eikä perinteisillä elektroneilla, se voi käsitellä dataa monta kertaa nopeammin.

Saksalaisten ja brittiläisten tutkijoiden esittämä periaate perustuu optisiin aaltoputkiin, jotka ovat integroitu siruihin faasimuutosmateriaalinen kanssa.

Faasimuutosmateriaalit muuttavat dramaattisesti optisia ominaisuuksiaan riippuen siitä, ovatko ne kiteisiä vai amorfisia. Faasimuutos voidaan herättää valolla kun laser lämmittää materiaalia.

”Koska materiaali reagoi niin voimakkaasti ja muuttaa ominaisuuksiaan dramaattisesti, se sopii hyvin synapsien jäljittelemiseen ja impulssien siirtoon kahden neuronin välillä”, kertoo Johannes Feldmann, joka teki monia kokeita osana väitöskirjaansa Münsterin yliopistossa.

Purduen yliopiston asiantuntijat ovat puolestaan kehittäneet prosessin, jossa käytetään magnetismia aivojen kaltaisissa verkoissa ohjelmoimaan ja opettamaan laitteita kuten robotteja ja itseohjautuvia autoja yleistämään paremmin eri kohteita.

”Meidän stokastinen neuroverkko yrittää jäljitellä tiettyjä ihmisaivojen toimintoja ja laskea neuronien ja synapsisten yhteyksien kautta”, toteaa professori Kaushikin Roy.

”Näin laskinaivot eivät ainoastaan saata tallentaa informaatiota vaan myös yleistää hyvin esineitä ja tehdä päätelmiä suoriutuakseen paremmin eri objektien erottelussa.”

Nanomagneetin kytkentädynamiikka on samanlainen kuin hermosolujen sähköinen dynamiikka. Magneettiset tunneliliitokset osoittavat kytkentäkäyttäytymistä, joka on luonteeltaan stokastista.

"Suuri etu kehittämällämme magneettiteknologialla on sen erittäin energiatehokas toiminta,” toteaa Roy. ”Olemme luoneet yksinkertaisemman verkon, joka edustaa hermosoluja ja synapseja.”

Roy kertoo, että aivojen kaltaisilla verkoilla on myös muita käyttötarkoituksia vaikeiden ongelmien ratkaisemiseen, mukaan lukien erilaiset optimointiongelmat, kuten matkamyyjän ongelma ja kaavion väritys. Ehdotetut stokastiset piirit voivat toimia "luonnollisena annealeerina", mikä auttaa algoritmeja siirtymään pois paikallisesta minimistä.

Aiheesta aiemmin:

Itseoppimiseen tukeutuva konenäkö

Sulautettua tekoälyä

Tekoälyä spintroniikalla