Säilölaskentaa molekyyleillä ja keinolihaksilla

Yhteistyöryhmä NIMS:stä ja Tokion tiedeyliopistosta on onnistuneesti kehittänyt tekoälyrakenteen, joka suorittaa aivojen kaltaista tietojenkäsittelyä muutaman molekyylin säilölaskennan avulla.

Tämä innovaatio hyödyntää tietyn määrän orgaanisten molekyylien molekyylivärähtelyjä. Käyttämällä tätä laitetta verensokeritason ennustamiseen diabeetikoilla, se on ylittänyt huomattavasti olemassa olevat tekoälylaitteet ennustetarkkuuden suhteen.

Koneoppimissovellusten laajenemisen myötä eri teollisuudenaloilla on kasvussa kysyntää tekoälylaitteille, jotka eivät ole pelkästään erittäin laskennallisia, vaan myös vähän virtaa kuluttavia ja miniatyrisoituja.

Tutkimus on siirtynyt kohti fyysistä säilölaskentaa, jossa hyödynnetään materiaalien ja laitteiden esiintuomia fyysisiä ilmiöitä neuroinformaation käsittelyyn. Yksi jäljellä oleva haaste on olemassa olevien materiaalien ja laitteiden suhteellisen suuri koko.

Tämä japanilaisten tutkimus on edelläkävijä maailman ensimmäisellä fyysisen säiliölaskennan toteutuksella, joka toimii pintatehostetulla Raman-sironnalla ja hyödyntää vain muutaman orgaanisen molekyylin molekyylivärähtelyjä.

Informaatio syötetään ioniporttauksen kautta, joka moduloi vetyionien adsorptiota orgaanisiin molekyyleihin (pMBA) jännitteen avulla. Muutokset pMBA-molekyylien molekyylivärähtelyissä, jotka vaihtelevat vetyionien adsorption mukaan, toimivat muistin ja epälineaarisen aaltomuodon muuntamisen tehtävinä laskennassa.

Tämä prosessi, jossa käytetään harvaa pMBA-molekyylien kokoonpanoa, on opiskellut noin 20 tuntia diabeettisen potilaan verensokeritason muutoksista ja onnistunut ennustamaan vaihtelut seuraavien 5 minuutin aikana noin 50 prosentin virhevähennyksellä verrattuna vastaaviin laitteisiin.

Tämän tutkimuksen tulos osoittaa, että pieni määrä orgaanisia molekyylejä voi suorittaa tehokkaasti tietokoneeseen verrattavia laskelmia.

Kioton yliopisto on yhteistyössä Tokion yliopiston ja Bridgestone-yhtiön kanssa on puolestaan kehittänyt menetelmän jossa pneumaattisten tekolihasten dynamiikkaa voidaan hyödyntää laskennallisena resurssina.

"Olemme osoittaneet toimilaitteen kyvyn luoda itsenäisesti monipuolista dynamiikkaa, mukaan lukien rytmiset kuviot ja kaaos", selittää Nozomi Akashi KyotoU:n Graduate School of Informaticsista.

Tulokset viittaavat siihen, että robotit voivat luoda laadullisesti erilaisia malleja oppimisdatan ulkopuolella, mikä avaa tietä sellaisten robottien kehitykselle, jotka kykenevät mukautumaan ja joustaviin liikkeisiin.

"Tämä voisi virtaviivaistaa laitteisto- ja ohjelmistokehitysprosessia ja tehdä siitä tehokkaamman", Akashi päättää.

Aiheesta aiemmin:

Kertakäyttöiset tekoälyanturit terveyden seurantaan

Ioninen nestepohjainen säilölaskenta