Hjerneinspirert Nanowire-nettverk kan revolusjonere AI

Kunstig intelligens (AI) maskinlæringsalgoritmer består av nevrale nettverk som er inspirert av den biologiske hjernen. Dagens standard maskinvarearkitektur er det imidlertid ikke, og derfor er det energiineffektivt å kjøre AI på konvensjonell maskinvare. Spennende ny forskning kan bidra til å bygge bro over dette gapet. EN studere av forskere ved California NanoSystems Institute (CNSI) ved UCLA sammen med deres samarbeidspartnere ved University of Sydney viser et hjerneinspirert nanowire-nettverk AI-databehandlingssystem som kan identifisere håndskrevne tall med høy nøyaktighet.

"I denne studien kan den relativt høye klassifiseringsnøyaktigheten oppnådd med nettbasert læring (93,4%) i stor grad tilskrives den iterative algoritmen, som er basert på på rekursive minste kvadrater (RLS),» skrev førsteforfatter Ruomin Zhu, en doktorgradsstudent ved University of Sydney, sammen med medforfattere James Gimzewski, UCLA anerkjent professor i kjemi og CNSI-medlem, Adam Stieg, CNSI assisterende direktør og forsker ved UCLA, Zdenka Kuncic, professor i fysikk ved University of Sydney, Alon Loeffler, fra University of Sydney, Joseph Lizier, førsteamanuensis ved University of Sydney, og Sam Lilak, en eksperimentell fysiker fra UCLA.

I AI-maskinlæring er rekursive minste kvadraters (RLS) en type adaptiv filteralgoritme kjent for raskere konvergens og høyere ytelse. Sammenlignet med minste gjennomsnittlige kvadrater (LMS), er rekursive minste kvadraters algoritmer mer komplekse og derfor mer kostbare å kjøre. RLS-algoritmer bruker en rekursiv tilnærming for tilpasning der målet er å minimere den totale vektede kvadrerte feilen mellom målsignalet og utgangen.

For denne forskningsstudien brukte teamet en klasse nevromorfe enheter som består av memristive nanotrådnettverk (NWN), metallbaserte nanotråder koblet sammen i et design inspirert av den biologiske hjernen.

Nanotråder er veldig tynne solide ledninger som kan være laget av en rekke materialer som vanligvis har en diameter på opptil 100 nanometer. Nanotråder er svært fleksible og sterke. For denne studien laget forskerteamet en hjerneinspirert maskinvarearkitektur med nanotråder laget av sølv og selen (Ag₂Se) med romtemperatur transportegenskaper som glasslignende varmeledningsevne og god elektrisk ledningsevne.

Nettverket av nanotråder legges på en multi-electrode array (MEA) som består av 16 elektroder på et 4-by-4-nett hvor inngang og utgang produseres med pulser av elektrisitet. Når elektriske inngangssignaler lages, fungerer nanotrådnettverkene som den biologiske hjernen med kollektiv dynamikk som skredkritisitet, faseoverganger og brytersynkronisering.

Nanowire-nettverket ble trent på en håndskrevet nummerdatabase fra National Institute of Standards and Technology (NIST). Gjennom elektriske pulser på ett tusen av et sekunds varighet ble bilder overført til nanonettverket piksel for piksel. Mørke eller lyse piksler ble oppnådd ved å justere spenningen til de elektriske pulsene.

"Avslutningsvis har vi demonstrert hvordan nevromorfe nanotrådnettverksenheter kan brukes til å utføre oppgaver i en online måte, å lære av den rike spatiotemporale dynamikken generert av det fysiske nevrallignende nettverket," forskerne rapportert. "Dette er fundamentalt forskjellig fra datadrevet statistisk maskinlæring som bruker kunstige nevrale nettverksalgoritmer."

Copyright © 2023 Cami Rosso Alle rettigheter reservert.