Подобен на мозъка чип с изкуствен интелект се учи в реално време със свръхниска консумация на енергия

При лабораторна симулация на полет през дигитална гора, обсадена от непостоянен вятър, дронът се справя с удивителни умения: заобикаля препятствията, променя курса в реално време и достига целта си с ловкост, подобна на човешката. Системата, която контролира дрона, не се захранва от огромен сървър и не се обучава с петабайти данни. Вместо това тя се контролира от малък, енергоспестяващ чип, който прилича на мозък - нов вид изкуствен интелект, който се учи в движение, подобно на човешкия ум. Разработена съвместно от инженери от Калифорнийския университет в Лос Анджелис, Тексаския университет „А&М“ и други изследователски институции, технологията представлява революционен модел на изкуствен интелект, който преодолява ограниченията на традиционните изчисления, като възпроизвежда способността на мозъка да се адаптира в движение. Тя се основава на верига от „синаптични резистори“ - или „синстори“ - изработени от фероелектричен хафниево-циркониев оксид (HfZrO), което позволява на системата да променя собствените си връзки в реално време.

Проучването, публикувано в Science Advances, показва, че архитектурата „Superturing“ превъзхожда традиционните изкуствени невронни мрежи (ANN) по отношение на адаптивността и енергийната ефективност, като консумира само 158 нановата - което е 10 милиона пъти по-малко от типичните системи с изкуствен интелект. „Традиционните модели на изкуствен интелект разчитат в голяма степен на обратното разпространение - метод, използван за настройка на невронните мрежи по време на обучението“, казва в прессъобщение съавторът на изследването д-р Суин Йи, доцент в катедрата по електротехника и информатика в Тексас А&М. „Въпреки че този метод е ефективен, той е биологично нереалистичен и изисква огромни изчислителни ресурси.“ „Нашата работа се справя с този недостатък, като заимства от невробиологията механизмите на хебианското учене и синаптичната пластичност, които позволяват на невроните да укрепват връзките си точно така, както го правят в реалния мозък.“

От Тюринг към супертюринг Повечето съвременни системи за изкуствен интелект, включително самоуправляващите се автомобили и големите езикови модели, работят въз основа на модела на Тюринг за изчисление. Те изпълняват фиксирани алгоритми, обучени предварително - понякога в продължение на седмици - и след като бъдат внедрени, не могат да променят курса си, докато не бъдат обучени отново. Това прави системите за изкуствен интелект трудни за работа в непозната среда и много жадни за енергия. По същество сегашният ИИ прилича на студент, който е научил всичко преди изпита и му е забранено да научи нещо ново по време на него. За разлика от него човешкият мозък непрекъснато се учи и адаптира в реално време. „Тези центрове за данни консумират енергия в гигаватчаса, докато нашите мозъци консумират 20 вата“, обяснява д-р Йе. Центровете за данни, които консумират такова количество енергия, не могат да бъдат устойчиви с настоящите изчислителни методи. Така че, въпреки че способностите на изкуствения интелект са невероятни, той все още изисква хардуер и генериране на енергия, за да се поддържа.“ Именно тук на помощ идват свръхпроизводителните изчисления. Вдъхновени от начина, по който мозъчните синапси се адаптират по време на учене, изследователите разработиха „синсторна схема“, която използва форма на зависима от времето пластичност на шиповете (STDP) - биологично правдоподобно правило за учене - за актуализиране на вътрешните параметри, докато обработва входните данни. За разлика от мемристорите или фазовата памет, които изискват отделни стъпки за учене и изводи, синсторите са в състояние да извършват двата процеса едновременно. На хардуерно ниво системата разчита на чуден материал: хетеропреход, състоящ се от WO₂.₈ слой, тънък филм от фероелектричен Hf₀.₅Zr₀.₅O₂ и силициева подложка. Този стек позволява фина настройка на стойностите на проводимостта - подобно на регулиране на силата на синапса - с изключителна точност, повторяемост и дълготрайност.

Бяха постигнати повече от 1,6 × 10¹¹ цикъла на превключване без влошаване, а проводимостта може да бъде настроена на 1000 аналогови нива с точност на обучение до 36 пикосименса. Актуализациите се извършваха с помощта на импулси на напрежение ±3 V и в рамките на 10 наносекунди, което прави системата енергийно ефективна и изненадващо бърза. Тази способност позволява на схемата на синстора да работи в така наречения „режим на супертърсене“ - постоянно актуализиране на вътрешните си тегла в отговор на обратната връзка от околната среда при извършване на изводи. Ако средата се промени - например неочаквана турбулентност или ново препятствие - схемата се адаптира в движение, без да изисква пауза или външно обучение. Превъзходство над изкуствения интелект и хората За да изпробват тази нова технология за суперконтрол, изследователите сравняват управляван от синстор дрон с двама конкуренти в симулиран планински пейзаж: единият управляван от традиционна изкуствена невронна мрежа (ANN) на компютър, а другият - от хора, които не са запознати със системата на дрона. Резултатите са поразителни. Синтезаторната схема насочи дрона към местоназначението му по-бързо от хората: средното време за обучение беше само 4,4 секунди в сравнение с 6,6 секунди при хората. В същото време на ANN са били необходими повече от 35 часа, за да достигне подобно ниво - и дори тогава тя постоянно се е проваляла при промяна на условията. В гориста местност със силен вятър синесторът и хората успешно избягваха сблъсъци, докато ИНС катастрофираше всеки път. Най-голямата печалба обаче е в енергийната ефективност. Цялата система за супертърсене на синстор консумираше само 158 нановата, в сравнение с 6,3 вата, консумирани от конвенционален ИИ, работещ на настолен компютър от висок клас - разлика от над 40 милиона пъти.

Към машини, наподобяващи мозък, които се подлагат на супертехнологии Последствията от тази работа могат да обхванат всички отрасли. Системите, които трябва да реагират в реално време на непредсказуема среда, без да изтощават батерията, ще извлекат голяма полза от свръхмозъчния ИИ - от автономни дронове и роботизирани протези до интелигентни носими устройства и космически изследвания. Нещо повече, архитектурата на synstor позволява на системата да се мащабира лесно. Въпреки че настоящият прототип използва сравнително малка матрица с размери 8×8, екипът е уверен, че технологията може да бъде увеличена до схеми с милиони синстори, като се използват съществуващите техники за нано-производство. Пробивът би могъл да залегне в основата на нов клас компютри, подобни на мозъка, в които системите не просто изпълняват предварително научени задачи, а продължават да се учат, адаптират и подобряват, всичко това в реално време и с минимална консумация на енергия.

Не само по-бързи, но и по-интелигентни Докато дебатът за способността на изкуствения интелект да се равнява на човешката интелигентност продължава, това изследване променя правилата на играта. Вместо да се постига интелигентност чрез мащабиране на моделите и данните (както прави сегашният генеративен ИИ), новият подход на супертуриране се стреми да постигне максимални резултати с по-малко енергия. Фактът, че схема без предварително обучение може да надмине предварително обучена невронна мрежа в реални условия, предполага, че истинската интелигентност не е свързана със съхраняването на повече данни, а с адаптирането, когато данните свършат. „Сегашният изкуствен интелект, като ChatGPT, е страхотен, но твърде скъп“, казва д-р Йи. „Свръхтехнологичният изкуствен интелект би могъл да промени подхода към създаването и използването на изкуствен интелект, като гарантира, че развитието му е от полза както за хората, така и за планетата.“