Калифорнийский университет в Лос-Анджелесе помог проложить путь к альтернативному подходу к вычислениям, в котором программное и аппаратное обеспечение больше не являются отдельными сущностями.
Программное обеспечение нейронных сетей не выполняется на аппаратном обеспечении. Скорее, само аппаратное обеспечение представляет собой нейронную сеть, в которой вычисления происходят непосредственно в структуре самоорганизующегося материала, что позволяет устанавливать физические связи в масштабе миллиардных долей метра.
За последние 15 лет исследователи выявили в этих системах сильное коллективное поведение, которое можно использовать для обработки сложной информации в режиме реального времени при низком энергопотреблении. Эти преимущества могут способствовать развитию физического искусственного интеллекта — систем, в которых вычисления и обучение встроены непосредственно в физическое оборудование, которое воспринимает окружающий мир и взаимодействует с ним
В журнале Nature Reviews Physics опубликована обзорную статью, написанная международной группой ученых, которые разработали и усовершенствовали эту новую вычислительную платформу.
Самоорганизующиеся сети основаны на некоторых аспектах работы коры головного мозга — центра восприятия, познания и мышления.
Как и мозг, эти системы обрабатывают сложные данные, не потребляя много энергии. Исследователи отмечают, что самоорганизующиеся сети успешно справляются с различными задачами машинного обучения, такими как распознавание речи и изображений, в режиме реального времени, используя физическое поведение сети, а не обычную модель нейронной сети в программном обеспечении.
Эта технология может стать основой для физического искусственного интеллекта при использовании в периферийных вычислениях — обработке данных, которая происходит во всех местах, где датчики собирают информацию из реального мира.
Современные датчики могут генерировать огромные объемы данных, но зачастую полезной оказывается лишь малая их часть. Традиционные системы обычно оцифровывают эти данные, а затем полагаются на алгоритмы для распознавания закономерностей, выявления важных характеристик и извлечения информации, необходимой для того, чтобы искусственный интеллект мог ее осмыслить.
Такой подход может быть особенно затратным на периферии, где ограничены энергопотребление, вычислительная мощность и пропускная способность каналов связи. Например, спутники могут собирать гораздо больше данных, чем они могут эффективно передать на Землю, поэтому перед передачей информацию необходимо сжимать, фильтровать или сокращать.
Авторы исследования представляют себе будущее, в котором самоорганизующиеся физические сети станут частью самого вычислительного процесса. Вместо того чтобы просто служить аппаратным обеспечением для работы программного обеспечения, эти сети смогут адаптировать свою структуру в ответ на поступающие сигналы, обучаясь и выполняя вычисления на физическом уровне. Такие системы в конечном итоге позволят искусственному интеллекту работать непрерывно и локально в условиях ограниченных ресурсов.
«Большинство систем искусственного интеллекта рассматривают аппаратное обеспечение как пассивную платформу для запуска программного обеспечения, — считают исследователи — Мы задаемся вопросом, что станет возможным, если само аппаратное обеспечение будет адаптивным — если материал будет перестраиваться в ответ на информацию и станет частью процесса обучения. Это указывает на совершенно иной тип искусственного интеллекта: физический, энергоэффективный, способный работать и адаптироваться локально».
Вычислительные технологии, вдохновленные работой мозга, появились в 1980-х годах и используются в современном программном обеспечении для нейронных сетей. Однако самоорганизующиеся сети физически воплощают эту метафору.
Существует два основных подхода к разработке таких систем: сети нанопроводов, разработанные Калифорнийским университетом в Лос-Анджелесе и впервые представленные в 2011 году, и сети наночастиц, впервые представленные в 2013 году группой ученых, в которую входил соавтор обзора Саймон Браун, физик из Кентерберийского университета в Новой Зеландии.
«Меня интересует не столько то, из чего сделана система, сколько то, на что она способна, — говорит Стиг. — Может ли она реагировать, адаптироваться и обрабатывать информацию так же, как это делают биологические системы?» Если это так, то существует множество различных материалов, которые могут помочь нам в этом.
Исследователи стремятся создать технологию, способную, подобно человеческому мозгу, эффективно обрабатывать меняющиеся потоки информации, потребляя при этом гораздо меньше энергии, чем обычное оборудование для искусственного интеллекта.
На упрощенном уровне нанопроволоки или наночастицы можно сравнить с нейронами, а изменяющиеся электрические связи между ними — с синапсами. Как и в мозге, эти системы обрабатывают информацию в виде электрических сигналов. И, как и в мозге, сигналы приводят к формированию новых связей. Частая стимуляция создает устойчивые связи — аналог памяти, — а отсутствие стимуляции ослабляет связи — аналог забывания.
В обзорной статье отмечается, что вычислительная платформа может стать предметом изучения для физиков, материаловедов, химиков, нейробиологов и специалистов в области компьютерных наук.