(Andrii Vodolazhskyi/Shutterstock) For dem, der arbejder inden for avancerede kunstig intelligens , at få en computer til at simulere hjerneaktivitet er en gigantisk opgave, men det kan være lettere at administrere, hvis hardwaren er designet mere som hjernehardware til at starte med.
Dette nye felt kaldes neuromorfisk databehandling . Og nu har ingeniører ved MIT måske overvundet en betydelig forhindring – designet af en chip med kunstige synapser.
For nu er menneskelige hjerner meget stærkere end nogen computer - de indeholder omkring 80 milliarder neuroner og over 100 billioner synapser, der forbinder dem og kontrollerer passagen af signaler.
Hvordan computerchips i øjeblikket fungerer, er ved at sende signaler på et sprog kaldet binært. Hvert stykke information er kodet i 1'er og 0'er eller tænd/sluk-signaler.
For at få en idé om, hvordan dette kan sammenlignes med en hjerne, skal du overveje dette: i 2013 kørte en af verdens mest kraftfulde supercomputere en simulering af hjerneaktivitet , hvilket kun opnår et minimalt resultat.
Rikens K Computer brugte 82.944 processorer og en petabyte hovedhukommelse - hvad der svarer til omkring 250.000 stationære computere på det tidspunkt.
Det tog 40 minutter at simulere et sekund af aktiviteten af 1,73 milliarder neuroner forbundet med 10,4 billioner synapser. Det lyder måske af meget, men det svarer virkelig til kun én procent af den menneskelige hjerne.
Men hvis en chip brugte synapselignende forbindelser, kunne de signaler, der bruges af en computer, være meget mere varierede, hvilket muliggør synapselignende læring. Synapser medierer de signaler, der transmitteres gennem hjernen, og neuroner aktiveres afhængigt af antallet og typen af ioner, der strømmer hen over synapsen. Dette hjælper hjernen med at genkende mønstre, huske fakta og udføre opgaver.
At replikere dette har vist sig vanskeligt til dato - men forskere ved MIT har nu designet en chip med kunstige synapser lavet af silicium germanium, der tillader den præcise kontrol af styrken af den elektriske strøm, der flyder langs dem, ligesom ionstrømmen mellem neuroner.
I en simulering blev den brugt til at genkende håndskriftsprøver med 95 procents nøjagtighed.
Tidligere designs for neuromorfe chips brugte to ledende lag adskilt af en amorf'skifte medium' til at fungere som synapserne. Når de er tændt, strømmer ioner gennem mediet for at skabe ledende filamenter for at efterligne synaptisk vægt eller styrken eller svagheden af et signal mellem to neuroner.
Problemet med denne tilgang er, at uden definerede strukturer at rejse langs, har signalerne et uendeligt antal veje - og dette kan gøre chipsenes ydeevne inkonsekvent og uforudsigelig.
'Når du først anvender en spænding for at repræsentere nogle data med dit kunstige neuron, skal du slette og være i stand til at skrive det igen på nøjagtig samme måde' sagde lederforsker Jeehwan Kim .
'Men i et amorft fast stof, når du skriver igen, går ionerne i forskellige retninger, fordi der er masser af defekter. Denne strøm er under forandring, og den er svær at kontrollere. Det er det største problem - uensartethed af den kunstige synapse.'
Med dette i tankerne skabte holdet gitter af siliciumgermanium med endimensionelle kanaler, gennem hvilke ioner kan strømme. Dette sikrer, at den nøjagtige samme sti bruges hver gang.
Disse gitter blev derefter brugt til at bygge en neuromorf chip; når spænding blev påført, viste alle synapser på chippen den samme strøm, med en variation på kun 4 procent.
En enkelt synapse blev også testet med spænding påført 700 gange. Dens strømstyrke varierede kun 1 procent - den mest ensartede enhed muligt.
Holdet testede chippen på en egentlig opgave ved at simulere dens egenskaber og bruge dem med MNIST database af håndskriftsprøver, som normalt bruges til træning af billedbehandlingssoftware.
Deres simulerede kunstige neurale netværk, bestående af tre neurale ark adskilt af to lag kunstige synapser, var i stand til at genkende titusindvis af håndskrevne tal med 95 procent nøjagtighed sammenlignet med 97 procent nøjagtighed af eksisterende software.
Det næste trin er faktisk at bygge en chip, der er i stand til at udføre håndskriftsgenkendelsesopgaven med det endelige mål at skabe bærbare neurale netværksenheder.
'I sidste ende vil vi have en chip så stor som en fingernegl til at erstatte en stor supercomputer' sagde Kim . 'Denne [forskning] åbner et springbræt for at producere ægte kunstig [intelligens] hardware.'
Forskningen er blevet publiceret i tidsskriftet Naturmaterialer .