Интересные факты

Не от мира сего: ученые создали искусственный мозг из серебра и заставили его учиться

Крошечная самоорганизованная сеть искусственных синапсов помнит свои переживания и может решать простые задачи. Ее создатели надеются, что когда-нибудь на основе этого искусственного мозга будут созданы устройства, по своей энергоэффективности не уступающие вычислительной мощности мозга. Вообще, мозги, если спустить их достижения в мышлении и решении проблем, совершенны в своей энергоэффективности. Для работы мозгу нужно столько же энергии, сколько поглощает 20-ваттная лампа накаливания. А одинешенек из мощнейших и быстрейших суперкомпьютеров в мире, компьютер K в Кобе, Япония, потребляет до 9,89 мегаватта энергии ­– примерно столько же, сколько и 10 000 домов. Однако в 2013 году, даже с подобный энергией, машине потребовалось 40 минут, чтоб смоделировать 1% активности человеческого мозга на протяжении 1 секунды.

И вот инженеры-исследователи из Калифорнийского института NanoSystems при Калифорнийском университете в Лос-Анджелесе надеются потягаться с вычислительной и энергоэффективной способностями мозга, благодаря системам, которые отражают структуру мозга. Они создают конструкция, возможно, первое в своем роде, которое «вдохновлено мозгом генерировать свойства, которые позволяют мозгу мастерить то, что он делает», говорит Адам Стиг, исследователь и доцент института, инструктивный проектом вместе с Джимом Гимжевски, профессором химии в Калифорнийском университете в Лос-Анджелесе.

Их конструкция совсем не похоже на обычные компьютеры, в основе которых лежат небольшие провода, отпечатанные на кремниевых микросхемах в высокоупорядоченных схемах. Текущая экспериментальная версия представляют собой сетку 2 х 2 мм из серебряных нанопроводов, соединенных искусственными синапсами. В отличие от кремниевой схемы с ее геометрической точностью, это конструкция переплетено как «хорошо перемешанное блюдо спагетти», говорит Стиг. При этом ее тонкая структура организована из случайных химических и электрических процессов, а не спроектирована тщательным образом.

По своей сложности эта серебряная сеть напоминает мозг. На квадратный сантиметр сетки приходится биллион искусственных синапсов, что на несколько порядков отличается от реального мозга. Электрическая активность сети также демонстрирует свойство, уникальное для сложных систем вроде мозга: «критичность», состояние между порядком и хаосом, указывающее на максимальную эффективность.

Эта сеть чрезвычайно переплетенных нанопроводов может выглядеть хаотичной и случайной, однако ее структура и поведение напоминают поведение нейронов мозга. Ученые из NanoSystems разрабатывают ее будто устройство-мозг для обучения и вычислений

Более того, предварительные эксперименты показывают, что эта нейроморфная (то кушать похожая на мозг) серебряная проволочная сетка обладает большим функциональным потенциалом. Она уже может выполнять простые учебные и логические операции. Она может очищать принимаемый сигнал от нежелательного шума, а это важная способность для распознавания голоса и похожих задач, которые вызывают проблемы у традиционных компьютеров. И ее существование доказывает принцип, что в одинешенек прекрасный день станет возможно создание устройств с энергоэффективностью, близкой к энергоэффективности мозга.

Особливо любопытно эти преимущества выглядят на фоне приближающегося предела миниатюризации и эффективности кремниевых микропроцессоров. «Закон Мура мертв, полупроводники больше не могут становиться меньше, а люд начинают голосить, мол, что же нам делать», говорит Алекс Нюджент, CEO компании Knowm, занимающейся нейроморфными вычислениями и не участвовавшей в проекте Калифорнийского университета. «Мне нравится эта идея, это курс. Обычные вычислительные платформы в биллион раз менее эффективны».

Переключатели в роли синапсов

Когда Гимжевски начал трудиться над своим проектом с серебряной сеткой 10 лет назад, его интересовала вовсе не энергоэффективнось. Ему было скучно. Используя сканирующий туннельный микроскоп для изучения электроники на атомных масштабах в течение 20 лет, он, наконец, сказал: «Я устал от совершенства и точного контроля и слегка подустал от редукционизма».

Похожие новости  #ИгроМир | Наши впечатления от новых видеоигр (часть вторая)

Редукционизм, стоит полагать, лежит в основе всех современных микропроцессоров, когда сложные явления и схемы можно разъяснить при помощи простых явлений и элементов.

В 2007 году ему предложили заняться изучением отдельных атомных коммутаторов (или переключателей), разработанных группой Масакадзу Аоно из Международного центра материалов на наноархитектонике в Цукубе, Япония. Эти коммутаторы содержали тот же ингредиент, какой окрашивает серебряную ложку в черноволосый цвет, когда она касается яйца: сульфид железа, зажатый в сендвиче между твердым металлическим серебром.

Подача напряжения на устройства подталкивает положительно заряженные ионы серебра в сульфиде серебра к слою серебряного катода, где те восстанавливаются до металлического серебра. Атомные нити серебра растут, в конечном счете закрывая интервал между металлическими серебряными сторонами. Переключатель включен, и ток может литься. Реверсирование тока имеет противолежащий эффект: серебряные мосты сокращаются, а переключатель выключается.

Однако вскоре после разработки переключателя группа Аоно основы наблюдать необычное поведение. Чем чаще использовался переключатель, тем легче он включался. Если же он некоторое пора не использовался, он исподволь выключался самостоятельно. По сути, переключатель помнил свою историю. Аоно и его коллеги также обнаружили, что переключатели, похоже, взаимодействовали товарищ с другом, так что включение одного переключателя порой блокировало или выключало других поблизости.

Большинство в группе Аоно хотело сконструировать эти странные свойства вне переключателей. Однако Гимжевски и Стиг (который лишь что оформил докторскую степень в группе Гимжевского) вспомнили о синапсах, переключателях между нервными клетками в человеческом мозге, которые также меняют взаимоотношения с получением опыта и взаимодействием. И этак родилась идея. «Мы подумали: отчего бы не попробовать воплотить все это в структуре, напоминающей кору мозга млекопитающего, и изучить ее?», говорит Стиг.

Создание такую сложную структуру определенно было сложно, однако Стиг и Одриус Авиценис, какой только что присоединился к группе в качестве аспиранта, разработали для этого протокол. Выливая нитрат серебра на крошечные медные сферы, они могли потребовать рост микроскопически тонких пересекающихся серебряных проводов. Затем они могли проглядеть через эту сетку серный газ, чтоб создать слой серебристого сульфида между серебряными проводами, будто в исходном атомном переключателе команды Аоно.

Самоорганизованная критичность

Когда Гимжевски и Стиг рассказали другим о своем проекте, никто не поверил, что это сработает. Отдельный сказали, что устройство продемонстрирует одинешенек тип статической активности и на нем осядет, вспоминает Стиг. Другие предположили противоположное: «Они говорили, что переключение станет каскадным и вся конструкция попросту сгорит», говорит Гимжевски.

Однако устройство не расплавилось. Визави, когда Гимжевски и Стиг наблюдали за ним чрез инфракрасную камеру, входной ток продолжал менять пути, которыми проходил чрез устройство — доказывая, что активность в сети была не локализована, а скорее распределена, будто в мозге.

Однажды осенним днем в 2010 году, когда Авиценис и его коллега Генри Силлин повышали входное усилие в устройстве, они внезапно заметили, что выходящее усилие начало случайным образом колыхаться, будто сетка проводов ожила. «Мы сели и смотрели на это, мы были в шоке», говорит Силлин.

Похожие новости  Гибридные самолёты Zunum удешевят перелёты и станут беспилотными

Они догадывались, что нашли кое-что интересное. Когда Авиценис проанализировал данные мониторинга за несколько дней, он обнаружил, что сеть оставалась на одном и том же уровне активности в течение коротких периодов чаще, чем в течение длительных. Позже они обнаружили, что мелкие области активности более распространены, чем крупные.

«У меня челюсть отвисла», говорит Авиценис, потому что они впервой извлекли из своего устройства степенной закон. Степенные законы описывают математические взаимоотношения, в которых одна переменная изменяется будто степень другой. Они применяются к системам, в которых более крупные масштабы, более длительные события менее распространены, чем мелкие и более короткие, однако распространены и не невзначай. Пер Бак, датский физик, почивший в 2002 году, впервой предложил степенные законы будто отличительные черты всех видов сложных динамических систем, которые могут организовываться на больших масштабах и длинных дистанциях. Такое поведение, говорил он, указывает, что сложная система балансирует и функционирует на золотой середине между порядком и хаосом, в состоянии «критичности», и все ее части взаимодействуют и связаны ради максимальной эффективности.

Будто и предсказывал Бак, степенное поведение наблюдалось в мозге человека: в 2003 году Дитмар Пленц, нейрофизиолог Национального института здоровья, наблюдал, что группы нервных клеток активировали другие, которые, в свою очередность, активировали другие, зачастую запуская системные каскады активаций. Пленц обнаружил, что размеры этих каскадов следуют распределению по степенному закону, и мозг подлинно действовал таким образом, чтоб максимизировать распространение активности, не рискуя утерять контроль над ее распространением.

Тот факт, что конструкция Калифорнийского университета также продемонстрировало степенной закон в действии, это весьма важно, говорит Пленц. Потому что из этого следует, что, будто и в мозге, у него есть ювелирный баланс между активацией и торможением, какой удерживает в работе сумму его частей. Активность не подавляет сет, однако и не прекращается.

Позднее Гимжевски и Стиг нашли еще одно сходство между серебряной сетью и мозгом: точно этак же, как спящий человечий мозг демонстрирует меньше коротких каскадов активации, чем бодрствующий мозг, состояние короткой активации в серебряной сети становится менее распространенным при более низких входных энергиях. В некотором роде, уменьшение энергопотребления в конструкция может создать состояние, напоминающее спящее состояние человеческого мозга.

Обучение и вычисления

И вот проблема: если сеть серебряных проводов обладает свойствами, похожими на свойства мозга, может ли она решать вычислительные задачи? Предварительные эксперименты показали, что ответ — да, хотя конструкция, конечно, еще и отдаленно не сопоставить с обычным компьютером.

Во-первых, программного обеспечения дудки. Вместо этого исследователи используют тот факт, что сеть может искажать входящий сигнал различными способами, в зависимости от того, где измеряется выход. Это предлагает возможное использование для распознавания голоса или изображения, поскольку конструкция должно иметь возможность очищать шумный входящий сигнал.

Из этого также следует, что конструкция можно использовать для этак называемых резервуарных вычислений. Поскольку одинешенек ввод может, в принципе, генерировать немало, миллионы разных выводов (отсюда и резервуар), пользователи могут выбирать или комбинировать выводы этак, чтобы результатом стало желаемое вычисление вводных. Так, если стимулировать устройство в двух разных местах одновр/еменно, есть шанс, что одинешенек из миллионов разных выводов будет воображать сумму двух вводных.

Похожие новости  Экипаж наземного «космического корабля» SIRIUS «долетел» до лунной орбиты

Задача состоит в том, чтоб найти правильные выводы и декодировать их, а также выяснить, будто лучше кодировать информацию, чтоб сеть могла ее соображать. Сделать это можно будет за счет обучения устройства: путем прогона задачи сотни или тысячи один, сперва с одним типом ввода, затем с другим, и сравнения, какой вывод лучше справляется с задачей. «Мы не программируем конструкция, но выбираем лучший способ кодировать информацию этак, чтобы поведение сети было полезным и интересным», говорит Гимжевски.

В работе, которая скоро будет опубликована, ученые расскажут, будто обучили сеть проводов изготовлять простые логические операции. И в неопубликованных экспериментах они обучили сеть решать простую задачу на память, которую обыкновенно задают крысам (Т-лабиринт). В тесте Т-лабиринта крыса вознаграждается, если делает верный поворот в ответ на свет. Имея собственную версию для обучения, сеть может мастерить правильный выбор в 94% случаев.

До сих пор эти результаты были не более чем доказательством принципа, говорит Нуджент. «Маленькая крыса, принимающая решение в Т-лабиринте, вовек не приближается к чему-то из области машинного обучения, что может оценивать свои системы» на традиционном компьютере, говорит он. Он сомневается, что из этого устройства можно сделать здоровый чип в ближайшие несколько лет.

Однако потенциал огромен, подчеркивает он. Потому что сеть, будто и мозг, не разделяет обработку и память. Традиционным компьютерам необходимо передавать информацию между различными областями, которые обрабатывают две этих функции. «Вся эта лишняя коммуникация накапливается, потому что проводам нужна энергия», говорит Нуджент. Взяв традиционные компьютеры, вы должны были бы обесточить Францию, чтоб смоделировать полный человеческий мозг в приличном разрешении. Если устройства вроде серебряной сети смогут решать задачи с эффективностью алгоритмов машинного обучения, работающих на традиционных компьютерах, они смогут задействовать в биллион раз меньше энергии. А дальше дело за малым.

Выводы ученых также подтверждают суждение, что при правильных обстоятельствах интеллектуальные системы могут формироваться путем самоорганизации, не имея какого-либо шаблона или процесса для их разработки. Серебряная сеть «возникла спонтанно», говорит Тодд Хилтон, бывший менеджер DARPA, поддержавшего проект на ранних этапах.

Гимжевски считает, что сеть серебряных проводов или подобные устройства могут стать лучше традиционных компьютеров в прогнозировании сложных процессов. Традиционные компьютеры моделируют мир уравнениями, которые нередко только приблизительно описывают сложные явления. Нейроморфные сети на атомных переключателях выравнивают собственную внутреннюю структурную сложность с явлением, которое моделируют. И они также делают это скоро — состояние сети может колыхаться со скоростью до десятков тысяч изменений в секунду. «Мы используем сложную систему для понимания сложных явлений», говорит Гимжевски.

В начале этого года на заседании Американского химического общества в Сан-Франциско Гимжевски, Стиг и их коллеги представили результаты эксперимента, в ходе которого они скормили устройству первые три года шестилетнего набора данных о дорожном движении в Лос-Анджелесе, в форме серии импульсов, указывающих число проезжающих машин в час. Чрез сотни часов обучения вывод, наконец, предсказал статистическую тенденцию другой половины набора данных, и вполне неплохо, хотя устройству его не показывали.

Возможно, раз, шутит Гимжевски, он использует сеть для прогнозирования фондового рынка.

Hi-News.ru — Новости высоких технологий.

Добавить комментарий