Neurokvanttihyppy optimaalisten ratkaisujen löytämisessä

3x3 Rubikin kuution ratkaiseminen on helppoa, sanoo professori Shantanu Chakrabartty, McKelvey School of Engineeringistä Washingtonin St. Louis yliopistosta. Opi ja opettele ulkoa vaiheet ja suorita ne sitten ratkaisun löytämiseksi.

Tietokoneet ovat jo hyviä tällaisessa proseduraalisessa ongelmanratkaisussa.

Nyt Chakrabartty ja hänen yhteistyökumppaninsa ovat kehittäneet työkalun, joka voi mennä proseduraalisia ratkaisuja pidemmälle ja löytää uusia ratkaisuja monimutkaisiin optimointiongelmiin logistiikasta lääkekehitykseen.

Chakrabartty ja hänen yhteistyökumppaninsa esittelivät NeuroSA:n, ongelmanratkaisuun tarkoitetun neuromorfisen arkkitehtuurin, joka on mallinnettu ihmisen neurobiologian toiminnasta, mutta joka hyödyntää kvanttimekaanista käyttäytymistä optimaalisten ratkaisujen löytämiseksi – taatusti – ja löytää nämä ratkaisut luotettavammin kuin huippuluokan menetelmät.

”Etsimme tapoja ratkaista ongelmia paremmin kuin ihmisen oppimiseen perustuvat tietokoneet ovat aiemmin tehneet”, Chakrabartty sanoi. ”NeuroSA on suunniteltu ratkaisemaan koneoppimisen vaikein ongelma, niin sanottu löytöongelma, jossa tavoitteena on löytää uusia ja tuntemattomia ratkaisuja.”

Optimoinnissa hehkutus on prosessi, jossa tutkitaan erilaisia mahdollisia ratkaisuja ennen kuin lopulta päädytään parhaaseen ratkaisuun. Fowler-Nordheim (FN) -hehkutuslaitteet käyttävät kvanttimekaanisen tunneloinnin periaatteita parhaan ja optimaalisen ratkaisun tehokkaaseen etsimiseen, ja ne ovat NeuroSA:n "salainen ainesosa", Chakrabartty sanoo.

”Optimointiongelmissa strategia tulee mukaan kuvioihin, kun järjestelmää on muutettava ja siirrytään toiselle alueelle?” Chakrabartty sanoi. ”NeuroSA:n rakenne on neuromorfinen, kuten aivojemme rakenne neuroneineen ja synapseineen, mutta sen hakukäyttäytymisen määrää FN-healer.

Tämä kriittinen silta neurologian ja kvanttimaailman välillä on se mikä tekee NeuroSA:sta niin tehokkaan ja antaa meille mahdollisuuden taata ratkaisun löytyminen, jos sille annetaan riittävästi aikaa.”

Tästä takuusta tulee erityisen tärkeä, kun NeuroSA:n optimaalisen ratkaisun etsimiseen kuluva aika voi vaihdella päivistä viikkoihin tai jopa pidempään ongelman monimutkaisuudesta riippuen.

Artikkelissa Chakrabartty'n tiimi on jo osoittanut yhteistyössä SpiNNcloud Systemsin tutkimusryhmän kanssa, että NeuroSA voidaan toteuttaa SpiNNaker2-neuromorfisella laskenta-alustalla, mikä todistaa sen käytännön toteutettavuuden.

Seuraavaksi Chakrabartty ennakoi, että työkalua voitaisiin soveltaa logistiikan optimointiin toimitusketjuissa, valmistuksessa ja kuljetuspalveluissa tai uusien lääkkeiden löytämiseen tutkimalla optimaalista proteiinien laskostumista ja molekyylikonfiguraatioita.

Tutkimus: ON-OFF neuromorphic ISING machines using Fowler-Nordheim annealers

Aiheesta aiemmin:

Aivojen kaltainen tietokone vedellä ja suolalla

Neuromorfiseen laskentaa sopiva piitransistori