Abbildung zeigt einen analogen Deep-Learning-Prozessor. (Ella Maru Studio/Murat Onen) Während wir noch nicht annähernd die Komplexität und Komplexität des menschlichen Gehirns mit etwas Künstlichem nachbilden können, machen Wissenschaftler Fortschritte bei bestimmten speziellen Geräten – wie einem neu entwickelten programmierbaren Widerstand.
Widerstände können zum Aufbau analoger neuronaler Netze verwendet werden künstliche Intelligenz Systeme, die auf einer Struktur basieren, die das menschliche Gehirn nachahmen soll.
Dieses neueste Gerät kann Informationen rund eine Million Mal schneller verarbeiten als Gehirnsynapsen, die Neuronen miteinander verbinden.
Insbesondere soll die künstliche Synapse beim analogen Deep Learning eingesetzt werden, einem Ansatz zur Weiterentwicklung der KI, der die Geschwindigkeit verbessert und gleichzeitig den Energieverbrauch senkt – was sowohl für die Erschwinglichkeit als auch für die Beanspruchung der natürlichen Ressourcen des Planeten wichtig ist.
Der Schlüssel zu den erheblichen Verbesserungen dieses neuesten Widerstands ist die Verwendung eines speziell ausgewählten und effizienten anorganischen Materials. Das Team hinter dem Projekt sagt, dass die Fortschritte bei der Lerngeschwindigkeit neuronaler KI-Netzwerke erheblich sein werden.
„Sobald Sie über einen analogen Prozessor verfügen, müssen Sie nicht mehr Netzwerke trainieren, an denen alle anderen arbeiten.“ sagt der Informatiker Murat Onen vom Massachusetts Institute of Technology (MIT).
„Sie werden Netzwerke mit beispielloser Komplexität trainieren, die sich kein anderer leisten kann, und daher alle anderen bei weitem übertreffen.“ Mit anderen Worten: Das ist kein schnelleres Auto, das ist ein Raumschiff.“
Das anorganische Material basiert auf Phosphosilikatglas (PSG) – Siliziumdioxid mit Phosphorzusatz. Als Festelektrolyt im Widerstand ermöglichen seine nanoskaligen Poren den Durchgang von Protonen mit noch nie dagewesener Geschwindigkeit, wenn Impulse von 10 Volt an den Aufbau angelegt werden.
Noch besser ist, dass PSG mit denselben Fertigungstechniken hergestellt werden kann, die auch für die Herstellung von Siliziumschaltkreisen eingesetzt werden. Dies soll eine einfachere Integration in bestehende Produktionsprozesse ohne große Kostensteigerung ermöglichen.
Im Gehirn werden Synapsen gestärkt oder geschwächt, um den Fluss von Signalen und anderen Informationen zu steuern. Hier hat die Steuerung der Protonenbewegung zur Beeinflussung der elektrischen Leitfähigkeit den gleichen Effekt. Es ist schnell, zuverlässig und kann bei Raumtemperatur betrieben werden, was es auch praktischer macht.
„Die Geschwindigkeit war sicherlich überraschend“, sagt Onen .
„Normalerweise würden wir solche extremen Felder nicht geräteübergreifend anlegen, um sie nicht in Asche zu verwandeln.“ Doch stattdessen pendelten die Protonen mit enormer Geschwindigkeit über den Gerätestapel, genauer gesagt eine Million Mal schneller im Vergleich zu dem, was wir zuvor hatten.
„Und diese Bewegung schadet nichts, dank der geringen Größe und Masse der Protonen.“ Es ist fast wie Teleportieren.'
Das enorme Potenzial besteht hier in einem viel schnelleren KI-Training mit weniger Energie. Um ein funktionsfähiges neuronales Netzwerk zu schaffen, würden Widerstände in schachbrettartigen Anordnungen gestapelt, die parallel betrieben werden können, um die Geschwindigkeit zu verbessern.
Im nächsten Schritt müssen die Forscher ihre Erkenntnisse über die Entwicklung dieses Widerstands nutzen und ihn so anpassen, dass er in größerem Maßstab hergestellt werden kann. Das wird nicht einfach sein, aber das Team ist zuversichtlich, dass es machbar ist.
Das Endergebnis wären KI-Systeme, die Aufgaben wie die Identifizierung von Bildinhalten oder die Verarbeitung natürlicher Sprachbefehle übernehmen.
Alles, wo künstliche Intelligenz durch die Analyse riesiger Datenmengen lernen muss, könnte möglicherweise verbessert werden. Das erstreckt sich auf Bereiche wie selbstfahrende Autos und Medizinische Bildanalyse sowie.
Weitere Untersuchungen werden es ermöglichen, diese Widerstände in tatsächliche Systeme einzubetten und potenzielle Leistungsengpässe zu überwinden, die derzeit die anzulegende Spannung begrenzen.
„Der Weg nach vorne wird immer noch sehr herausfordernd sein, aber gleichzeitig ist er auch sehr aufregend“, sagt der Informatiker und Studienautor Jesús del Alamo , from MIT.
Die Forschung wurde veröffentlicht in Wissenschaft .