فروشگاه کانواس (بوم مدل کسبوکار) آرباکو

یافته‌ها شاید به پیشرفت هوش مصنوعی کمک کنند

چکیده

محققان دریافته‌اند که یادگیری (ویژگی کلی و مطلق هوش در موجودات زنده) می‌تواند در مواد مصنوعی (سنتزی) تقلید شود، کشفی که به نوبه خود می‌تواند الگوریتم‌های جدیدی را برای هوش مصنوعی القاء نماید.

موضوع اصلی

محققان روتگرز (Rutgers) و همکارانشان دریافته‌اند که یادگیری (ویژگی کلی هوش در موجودات زنده) می‌تواند از مواد سنتزی پیروی کند، کشفی که خود می‌تواند القاکننده و الهام‌بخش الگوریتم‌های جدیدی برای هوش مصنوعی (AI) باشد. این مقاله در ژورنال PNAS (Proceedings of the National Academy of Sciences اقدامات آکادمی ملی علوم) ارائه شده است.

یکی از مشخصات بنیادین انسان‌ها توانایی یادگیری مداوم از محیط‌های متغیر و تطبیق با آن‌ها است. ولی تا این اواخر، هوش مصنوعی به طور دقیقی روی پیروی و تقلید از منطق انسان متمرکز بوده است. حالا محققان به دنبال تقلید از درک و شناخت انسان در دستگاه‌هایی هستند که می‌توانند روشی که مغز انسان انجام می‌دهد را یاد بگیرند و یادآوری کنند و تصمیم بگیرند.

پیروی و تقلید از چنین ویژگی‌هایی در حالت جامد می‌تواند الگوریتم‌هایی را در هوش مصنوعی و محاسبات نورومورفیک (ریخت عصبی) القا کند که برای یافتن تناقضات، بلاتکلیفی‌ها و دیگر ابعاد زندگی هرروزه انعطاف‌پذیری خواهند داشت.محاسبات نورومورفیک تا حدی با ساخت سیستم‌های عصب مصنوعی برای انتقال سیگنال‌های الکتریکی که از سیگنال‌های مغز پیروی می‌کنند، از ساختار عصبی و عملیات مغز انسان تقلید می‌کند.

محققان از روتگرز (Rutgers)، پورژ (Purdue) و دیگر مؤسسات به مطالعه این مطلب پرداختند که رسانای الکتریکی اکسید نیکل که نوع خاصی از مواد عایق می‌باشد، زمانی که محیطش مکرراً در فواصل زمانی مختلف تغییر داده شد، چگونه واکنش نشان داد.

سوبهاسیش ماندال (Subhasish Mandal)، پست دکترای بخش فیزیک و نجوم در برونسویک نیو-روتگرز گفت: "هدف، یافتن ماده‌ای است که رسانای الکتریکی بتواند با تعدیل غلظت نقایص اتمی با محرک خارجی مانند اکسیژن، ازن و نور تنظیم شود. ما به مطالعه این مطلب پرداختیم که وقتی ما اکسیژن یا هیدروژن را به سیستم اضافه می‌کنیم، این ماده چگونه رفتار می‌کند و مهم‌تر از همه اینکه، تحریک خارجی چگونه خواص الکترونیکی این ماده را تغییر می‌دهد."

محققان دریافتند که وقتی محرک گاز سریعاً تغییر کرد، این ماده نتوانست کامل واکنش بدهد. در یکی از دو محیط در حالتی ناپایدار باقی ماند و واکنشش شروع به کم‌شدن نمود. وقتی محققان محرک مضری مانند ازن را وارد کردند، واکنش این ماده به طور قوی‌تری مجدداً شروع به کم‌شدن نمود.

ماندال (Mandal)، گفت: "جالب‌ترین بخش نتایج ما این است که مشخصات یادگیری کلی مانند اعتیاد (خوگیری) و حساس‌سازی را نشان می‌دهند که ما عموماً در گونه‌های زنده پیدا می‌کنیم. این مشخصات مادی می‌توانند برای هوش مصنوعی، الگوریتم‌های جدیدی را القا کنند. بسیاری به‌عنوان حرکت جمعی پرندگان یا ماهی‌ها هوش مصنوعی القا شده دارند، ما معتقدیم که رفتار جمعی الکترون‌ها در جامد کوانتومی می‌تواند در آینده همین کار را بکند."

او افزود: "زمینه روبه‌رشد هوش مصنوعی نیازمند سخت‌افزاری است که می‌تواند میزبان خواص حافظه تطبیقی ماورای آنچه که در کامپیوترهای امروزی استفاده می‌شود باشد. ما درمی‌یابیم که عایق کننده‌های اکسید نیکل که از نظر تاریخی به فعالیت‌های دانشگاهی محدود شده‌اند، شاید در آینده برای ربات‌ها و کامپیوترهای الهام گرفته از مغز انسان، نامزدهای جالبی برای تست باشند."

این مطالعه شامل استاد کارین ریب (Karin Rabe)، از روتگرز (Rutgers) و محققانی از آزمایشگاه ملی آرگون (Argonne National Laboratory) ، دانشگاه جورجیا (University of Georgia) و دانشگاه پورژ (Purdue University) بودند.

منبع موضوع:

مواد و موضوعات توسط دانشگاه روتگرز (Rutgers University) تهیه شدند. مطلب اصلی توسط جان کرامر (John Cramer) نوشته شده است.

نکته: محتوا ممکن است از نظر سبک نگارشی و طول مطلب، ویرایش شده باشد.

ژورنال مرجع:

Zhen Zhang, Sandip Mondal, Subhasish Mandal, Jason M. Allred, Neda Alsadat Aghamiri, Alireza Fali, Zhan Zhang, Hua Zhou, Hui Cao, Fanny Rodolakis, Jessica L. McChesney, Qi Wang, Yifei Sun, Yohannes Abate, Kaushik Roy, Karin M. Rabe, Shriram Ramanathan.

یادگیری نورومورفیک با عایق مات اکسید نیکل

Neuromorphic learning with Mott insulator NiO

ژورنالPNAS (Proceedings of the National Academy of Sciences اقدامات آکادمی ملی علوم) ، 2021؛ 118 (39): e2017239118 DOI: 10.1073/pnas.2017239118