Για πρώτη φορά, ένα φυσικό νευρωνικό δίκτυο αποδείχθηκε ότι μπορεί να μαθαίνει και να θυμάται “εν κινήσει”, με τρόπο εμπνευσμένο και παρόμοιο με τον τρόπο λειτουργίας των νευρώνων του εγκεφάλου.

Το αποτέλεσμα ανοίγει ένα μονοπάτι για την ανάπτυξη αποδοτικής και χαμηλής ενέργειας μηχανικής νοημοσύνης για πιο σύνθετες, πραγματικές εργασίες μάθησης και μνήμης. Η έρευνα, που δημοσιεύεται σήμερα στο Nature Communications, αποτελεί συνεργασία μεταξύ επιστημόνων του Πανεπιστημίου του Σίδνεϊ και του Πανεπιστημίου της Καλιφόρνιας στο Λος Άντζελες.

Ο επικεφαλής συγγραφέας Ruomin Zhu, διδακτορικός φοιτητής του Ινστιτούτου Νάνο και της Σχολής Φυσικής του Πανεπιστημίου του Σίδνεϊ, δήλωσε: “Τα ευρήματα καταδεικνύουν πώς μπορούν να αξιοποιηθούν οι λειτουργίες μάθησης και μνήμης που εμπνέονται από τον εγκέφαλο με τη χρήση δικτύων νανοσυρμάτων για την επεξεργασία δυναμικών δεδομένων“.

Τα δίκτυα νανοσυρμάτων αποτελούνται από μικροσκοπικά σύρματα με διάμετρο μόλις δισεκατομμυριοστών του μέτρου. Τα σύρματα διατάσσονται σε μοτίβα που θυμίζουν το παιδικό παιχνίδι “Pick Up Sticks”, μιμούμενα νευρωνικά δίκτυα, όπως αυτά του εγκεφάλου μας. Αυτά τα δίκτυα μπορούν να χρησιμοποιηθούν για την εκτέλεση συγκεκριμένων εργασιών επεξεργασίας πληροφοριών.

Οι εργασίες μνήμης και μάθησης επιτυγχάνονται με τη χρήση απλών αλγορίθμων που ανταποκρίνονται στις αλλαγές της ηλεκτρονικής αντίστασης στις διασταυρώσεις όπου τα νανοκαλώδια επικαλύπτονται. Γνωστή ως “μεταγωγή μνήμης με αντίσταση”, η λειτουργία αυτή δημιουργείται όταν οι ηλεκτρικές εισροές συναντούν αλλαγές στην αγωγιμότητα, παρόμοια με ό,τι συμβαίνει με τις συνάψεις στον εγκέφαλό μας.

Σε αυτή τη μελέτη, οι ερευνητές χρησιμοποίησαν το δίκτυο για να αναγνωρίζουν και να θυμούνται ακολουθίες ηλεκτρικών παλμών που αντιστοιχούν σε εικόνες, εμπνευσμένοι από τον τρόπο με τον οποίο ο ανθρώπινος εγκέφαλος επεξεργάζεται τις πληροφορίες.

Το γεγονός αυτό θα μπορούσε να θεωρηθεί “breakthrough” για τον χώρο της τεχνητής νοημοσύνης. Τα τελευταία χρόνια έχουμε παρατηρήσει μια μεγάλη αναζωπύρωση στον τομέα αυτό, καθώς και τα μέσα μελέτης βελτιστοποιούνται με ραγδαίο ρυθμό, όπως για παράδειγμα οι υπολογιστές. Μιλώντας είτε για τεχνητά, είτε για φυσικά νευρωνικά δίκτυα, έχουν αρχίσει να γίνονται όλο και πιο περίπλοκα προσεγγίζοντας την δομή του ανρθώπινου εγκεφάλου, από όπου είναι εμπνευσμένα. Μάλιστα, παρατηρούμε και μια αλληλεξάρτηση των δύο αυτών αντικειμένων μελέτης, το οποίο είναι λογικό. Όσο περισσότερο ο άνθρωπος κατανοεί την δομή του εγκεφάλου, τόσο περισσότερο τα αναπτυσσώμενα AI θα προσεγγίζουν ανθρώπινη συμπεριφορά

Παραπομπές:

Ruomin Zhu, Sam Lilak, Alon Loeffler, Joseph Lizier, Adam Stieg, James Gimzewski, Zdenka Kuncic. Online dynamical learning and sequence memory with neuromorphic nanowire networks. Nature Communications, 2023; 14 (1) DOI: 10.1038/s41467-023-42470-5