Drobna, samoorganizirana mreža umetnih sinaps se spomni njihovih izkušenj in lahko reši preproste težave. Njeni ustvarjalci upajo, da bodo nekega dne na podlagi tega umetnih možganov nastale naprave, ki po energijski učinkovitosti niso slabše od računalniške moči možganov. Na splošno so možgani, če izpustimo njihove dosežke pri razmišljanju in reševanju težav, popolni v svoji energetski učinkovitosti. Možgani potrebujejo enako količino energije, da deluje 20-vatna žarnica z žarilno nitko. In eden najmočnejših in najhitrejših superračunalnikov na svetu, računalnik K v Kobeju na Japonskem, porabi do 9,89 megavatov moči - približno toliko kot 10.000 domov. Toda v letu 2013 je tudi s to energijo stroj potreboval 40 minut, da je v 1 sekundi simuliral 1% aktivnosti človeških možganov.
In tako raziskovalni inženirji na kalifornijskem inštitutu NanoSystems na kalifornijski univerzi v Los Angelesu upajo, da bodo konkurirali računalniškim in energetsko učinkovitim zmogljivostim možganov, zahvaljujoč sistemom, ki zrcalijo strukturo možganov. Ustvarjajo napravo, morda prvo tovrstne naprave, ki jo "navdihnejo možgani, da ustvarijo lastnosti, ki možganom omogočajo, da delajo, kar počnejo," pravi Adam Stig, raziskovalec in izredni profesor na inštitutu, ki projekt vodi z Jimom Gimzewskim, profesorjem kemije na kalifornijski univerzi. V Los Angelesu.
Njihova zasnova sploh ni podobna običajnim računalnikom, ki temeljijo na majhnih žicah, natisnjenih na silicijevih mikrovezjih v zelo urejenih vezjih. Trenutna eksperimentalna različica je 2 x 2 mm mreža srebrnih nanožic, ki so povezane z umetnimi sinapsami. Za razliko od silicijevega vezja s svojo geometrijsko natančnostjo je ta naprava tkana kot "dobro mešana špageta jed", pravi Stig. Poleg tega je njegova fina struktura organizirana iz naključnih kemičnih in električnih procesov in ni skrbno zasnovana.
Po svoji zapletenosti ta srebrni splet spominja na možgane. Na kvadratni centimeter mreže je milijarda umetnih sinaps, kar je za nekaj vrst velikosti, ki se razlikujejo od pravih možganov. Električna aktivnost omrežja ima tudi lastnost, značilno za kompleksne sisteme, kot so možgani: "kritičnost", stanje med redom in kaosom, ki kaže na največjo učinkovitost.
Ta mreža močno prepletenih nanožiteljev je lahko videti kaotična in naključna, vendar njena struktura in vedenje spominjata na nevrone v možganih. Znanstveniki iz NanoSystems ga razvijajo kot možgansko napravo za učenje in računalništvo.
Poleg tega predhodni poskusi kažejo, da ima ta nevromorfna (t.i. možganskim) srebrna žična mrežica velik funkcionalni potencial. Že lahko izvaja preproste izobraževalne in logične operacije. Iz prejetega signala lahko odstrani neželen hrup, pomembno sposobnost prepoznavanja glasu in podobne naloge, ki povzročajo težave v tradicionalnih računalnikih. In njegov obstoj dokazuje načelo, da bo nekega dne mogoče ustvariti naprave z energijsko učinkovitostjo, podobno možganom.
Te prednosti so še posebej zanimive zaradi ozadja približevanja meje miniaturizacije in učinkovitosti silikonskih mikroprocesorjev. "Mooreov zakon je mrtev, polprevodnikov se ne more več zmanjšati in ljudje začnejo plakati, kaj storiti," pravi Alex Nugent, izvršni direktor Knowm-a, nevromorfne računalniške družbe, ki ni vključena v projekt UCLA. »Všeč mi je ta ideja, ta smer. Konvencionalne računalniške platforme so milijardo krat manj učinkovite."
Promocijski video:
Preklopi kot sinapse
Ko je Gimrzewski pred 10 leti začel delati na projektu srebrne mreže, ga energetska učinkovitost sploh ni zanimala. Dolgčas mu je bilo. Ko je 20 let uporabljal skenirajoči tunelirni mikroskop za preučevanje elektronike na atomskem merilu, je na koncu rekel: "Naveličal sem se popolnosti in natančnega nadzora in nekoliko utrujen od redukcionizma."
Domnevati je treba, da redukcionizem temelji na vseh sodobnih mikroprocesorjih, ko je zapletene pojave in vezja mogoče razložiti s preprostimi pojavi in elementi.
Leta 2007 so ga prosili za preučevanje posameznih atomskih stikal (ali stikal), ki jih je razvila skupina Masakazu Aono Mednarodnega centra za materiale za nanoaritektonico v Tsukubi na Japonskem. Ta stikala so vsebovala isto sestavino, ki postane srebrna žlica črna, ko se dotakne jajca: železov sulfid, vnet med trdo kovinsko srebro.
Aplikacija napetosti na napravah potisne pozitivno nabite srebrove ione v srebrovem sulfidu proti plasti srebrove katode, kjer se zmanjšajo na kovinsko srebro. Atomsko srebrne nitke rastejo in sčasoma zaprejo vrzel med kovinskimi srebrnimi stranicami. Stikalo je vklopljeno in lahko teče tok. Povratni tok ima nasproten učinek: srebrni mostovi so skrajšani in stikalo izklopljeno.
Vendar pa je Aonojeva skupina kmalu po razvoju stikala začela opazovati nenavadno vedenje. Bolj pogosto kot je bilo uporabljeno stikalo, lažje ga je bilo vklopiti. Če ga nekaj časa nismo uporabljali, se je postopoma izklopil sam. V bistvu si je stikalo zapomnilo svojo zgodovino. Aono in njegovi sodelavci so tudi ugotovili, da se zdi, da stikala medsebojno delujejo, tako da bi vklop enega stikala včasih blokiral ali izklopil druge v bližini.
Večina v skupini Aono je želela zgraditi te čudne lastnosti zunaj stikal. Toda Gimrzewski in Stig (ki je pravkar zaključil doktorat iz skupine Gimrzewski) sta se spomnila sinapse, preklopa med živčnimi celicami v človeških možganih, ki prav tako spreminjata odnose z izkušnjami in interakcijo. In tako se je rodila ideja. "Mislili smo, zakaj ne bi vsega tega poskusili prevesti v strukturo, ki spominja na možgansko skorjo sesalca, in jo preučiti?" Pravi Stig.
Graditi tako zapleteno strukturo je bilo vsekakor težko, vendar sta Stig in Odrius Avicenis, ki sta se skupini šele pridružila kot diplomanta, razvila protokol za to. Z vlivanjem srebrovega nitrata na drobne bakrene krogle bi lahko povzročile mikroskopsko tanke, presekajoče se srebrne žice. Nato so lahko skozi to mrežo črpali žveplov plin in tako ustvarili plast srebrovega žvepla med srebrnimi žicami, kot je to v originalnem atomskem stikalu ekipe Aono.
Samoorganizirana kritičnost
Ko sta Gimzewski in Stig drugim povedala o svojem projektu, nihče ni verjel, da bo šlo. Nekateri so rekli, da bo naprava pokazala eno vrsto statične aktivnosti in se naselila nanjo, je spomnil Stig. Drugi so predlagali nasprotno: "Rekli so, da bo stikalo kaskadno in da bo celotna struktura samo izgorela," pravi Gimzewski.
Toda naprava se ni stopila. V nasprotju s tem, ko sta ga Gimzewski in Stig opazovala skozi infrardečo kamero, je vhodni tok še naprej spreminjal poti, ki jih je vodil skozi napravo - s čimer je dokazal, da dejavnost v omrežju ni bila lokalizirana, ampak bolj razporejena, kot v možganih.
Nekega padca leta 2010, ko sta Avicenis in njegov kolega Henry Sillin povečevala vhodno napetost v napravo, sta nenadoma opazila, da izhodna napetost začne naključno nihati, kot da je žična mreža zaživela. "Sedli smo in si ga ogledali, bili smo šokirani," pravi Sillin.
Uganili so, da so našli nekaj zanimivega. Ko je Avicenis več dni analiziral podatke o spremljanju, je ugotovil, da je omrežje ostalo na isti ravni aktivnosti za kratek čas pogosteje kot za daljša obdobja. Pozneje so ugotovili, da so majhna področja dejavnosti bolj pogosta kot velika.
"Moja čeljust je padla," pravi Avicenis, saj so se prvič naučili zakona o moči iz svoje naprave. Zakoni moči opisujejo matematična razmerja, v katerih se ena spremenljivka spremeni kot moč druge. Veljajo za sisteme, v katerih so večje lestvice, daljši dogodki manj običajni kot manjši in krajši, vendar so razširjeni in ne po naključju. Per Bac, danski fizik, ki je umrl leta 2002, je najprej predlagal zakone o moči kot zaščitni znak vseh vrst zapletenih dinamičnih sistemov, ki se lahko organizirajo na velikih lestvicah in na velikih razdaljah. Takšno vedenje, je dejal, kaže, da zapleten sistem uravnoteži in deluje na sredini med redom in kaosom, v stanju "kritičnosti", vsi njegovi deli pa medsebojno vplivajo in se med seboj povezujejo za največjo učinkovitost.
Kot je napovedal Buck, je bilo v človeških možganih opaziti vedenjsko zakonsko vedenje: leta 2003 je Dietmar Plenz, nevrofiziolog na Nacionalnem inštitutu za zdravje, opazil, da skupine živčnih celic aktivirajo druge, kar posledično aktivira druge, kar pogosto sproži sistemske kaskade aktivacij. Plenz je ugotovil, da velikosti teh kaskad sledijo porazdelitvi zakonov moči in možgani so resnično delovali tako, da so povečali širjenje dejavnosti, ne da bi tvegali, da bi izgubili nadzor nad njenim širjenjem.
Dejstvo, da je naprava Univerze v Kaliforniji pokazala tudi zakon o moči v akciji, je zelo pomembno, pravi Plentz. Ker sledi, da ima, tako kot v možganih, občutljivo ravnotežje med aktivacijo in inhibicijo, zaradi česar seštevek njegovih delov deluje. Dejavnost ne zaustavi nabora, vendar tudi ne ustavi.
Giemzewski in Stig sta pozneje našla še eno podobnost med srebrno mrežo in možgani: tako kot imajo spalni človeški možgani manj kratkih kaskad aktivacije kot budni možgani, stanje kratkega aktiviranja v srebrni mreži postane manj pogosto pri nižjih vhodnih energijah. Na nek način lahko zmanjšanje porabe energije naprave ustvari stanje, ki spominja na mirujoče stanje človeških možganov.
Učenje in računanje
In tukaj je vprašanje: če ima mreža srebrnih žic možganske lastnosti, ali lahko reši računske težave? Predhodni poskusi so pokazali, da je odgovor pritrdilen, čeprav naprava seveda niti ni na daleč primerljiva z običajnim računalnikom.
Prvič, programske opreme ni. Namesto tega raziskovalci izkoriščajo dejstvo, da lahko omrežje izkrivlja dohodni signal na različne načine, odvisno od tega, kje se meri izhod. To ponuja možno uporabo za prepoznavanje glasu ali slike, saj mora biti naprava sposobna očistiti hrupni vhodni signal.
Iz tega tudi izhaja, da se naprava lahko uporablja za tako imenovane izračune rezervoarjev. Ker en vhod načeloma lahko ustvari več milijonov milijonov izhodov (torej rezervoar), lahko uporabniki izberejo ali združijo izhode, tako da je rezultat želeni vhodni izračun. Če na primer spodbudite napravo na dveh različnih mestih hkrati, obstaja možnost, da bo eden od milijonov različnih izhodov predstavljal vsoto obeh vhodov.
Izziv je najti pravilne zaključke in jih dešifrirati ter ugotoviti, kako najbolje kodirati informacije, da jih lahko omrežje razume. To lahko storite z usposabljanjem naprave: tako, da nalogo zaženete sto ali tisočkrat, najprej z eno vrsto vnosa, nato z drugo in primerjate, kateri izhod se bolje spopada z nalogo. "Naprave ne programiramo, ampak izberemo najboljši način kodiranja informacij, tako da je obnašanje omrežja uporabno in zanimivo," pravi Gimrzewski.
V delu, ki bo kmalu objavljeno, bodo znanstveniki razložili, kako so usposobili mrežo žic za izvajanje preprostih logičnih operacij. In v neobjavljenih poskusih so usposobili mrežo za reševanje preprostega problema s spominom, ki ga običajno dajejo podgane (T-labirint). Pri preizkusu T-labirint je podgana nagrajena, če se odzove na svetlobo. Z lastno različico za usposabljanje lahko mreža pravilno odloči 94% časa.
Do zdaj so bili ti rezultati le nekaj več kot dokaz načela, pravi Nugent. "Mala podgana, ki se je odločila za T-labirint, se v strojnem učenju nikoli ne približa nečemu, kar lahko ovrednoti njegove sisteme," pravi na tradicionalnem računalniku. Dvomi, da se bo naprava lahko v naslednjih nekaj letih spremenila v uporaben čip.
A potencial je velik, poudarja. Ker omrežje, tako kot možgani, ne ločuje obdelave in pomnilnika. Tradicionalni računalniki morajo prenašati informacije med različnimi domenami, ki obravnavajo ti dve funkciji. "Vsa ta dodatna komunikacija se gradi, ker žice potrebujejo moč," pravi Nugent. Če bi uporabili tradicionalne računalnike, bi morali izklopiti Francijo, da bi lahko z dostojno ločljivostjo simulirali popolne človeške možgane. Če naprave, kot je Silver Network, lahko rešijo težave z učinkovitostjo algoritmov strojnega učenja, ki delujejo na tradicionalnih računalnikih, lahko porabijo milijardo krat manj energije. In potem je zadeva majhna.
Ugotovitve znanstvenikov podpirajo tudi domnevo, da lahko inteligentne sisteme v pravih okoliščinah oblikuje samoorganizacija brez kakršne koli predloge ali postopka za njihov razvoj. Srebrna mreža se je "spontano pojavila," pravi Todd Hilton, nekdanji direktor DARPA, ki je projekt že zgodaj podpiral.
Gimrzewski verjame, da je omrežje srebrnih žic ali podobnih naprav lahko boljše od tradicionalnih računalnikov pri napovedovanju zapletenih procesov. Tradicionalni računalniki modelirajo svet z enačbami, ki zapletene pojave pogosto le približno opisujejo. Neuromorfna omrežja atomskega stikala uskladijo svojo lastno strukturno kompleksnost s pojavom, ki ga simulirajo. In to tudi hitro storijo - stanje omrežja lahko niha s hitrostmi do deset tisoč sprememb na sekundo. "Za razumevanje kompleksnih pojavov uporabljamo zapleten sistem," pravi Gimrzewski.
V začetku tega leta so na sestanku Ameriškega kemičnega društva v San Franciscu Gimzewski, Stig in njihovi sodelavci predstavili rezultate eksperimenta, v katerem so prva tri leta šestletnega podatkovnega prometa v Los Angelesu napajali napravo v nizu impulzov, ki kažejo število mimo avtomobilov na uro. Po sto urah treninga je rezultat končno napovedal statistični trend druge polovice nabora podatkov in to precej dobro, čeprav ni bil prikazan napravi.
Morda nekega dne, se šali Gimrzewski, omrežje uporablja za napovedovanje borze.
Ilya Khel