神经学家从海蛞蝓身上了解到的智力的两个主要迹象是习惯化和敏感化。习惯化是指随着时间的推移,习惯某种刺激,比如每天开车走同一条路线去上班时忽略噪音。与此相反,过敏反应是对新的刺激做出强烈的反应,比如避免吃餐馆里的劣质食物。
人工智能很难在不覆盖已经学习和存储的信息的情况下学习和存储新信息,研究大脑启发计算的研究人员称这个问题为“稳定-可塑性困境”。习惯化可以让人工智能“忘记”不需要的信息(实现更稳定),而敏感化可以帮助保留新的和重要的信息(实现可塑性)。
在这项研究中,研究人员找到了一种方法来证明量子材料氧化镍的习惯化和敏化。这种材料叫做量子“因为经典物理学无法解释它的性质。
如果量子材料能够可靠地模拟这些学习形式,那么就有可能将人工智能直接构建到硬件中。如果人工智能能够同时通过硬件和软件进行操作,它或许能够使用更少的能量执行更复杂的任务。
“我们基本上模拟了在量子材料中对海蛞蝓进行的实验,以了解这些材料如何对人工智能产生兴趣,”拉马纳坦说。
神经科学研究表明,当海蛞蝓被虹吸管轻触时,它停止收缩鳃,这表明了它的习惯。但是对它尾巴的电击会使它的鳃缩回得更厉害,显示出敏感。
对于氧化镍,等效的“鳃收缩”是电阻变化的增加。研究人员发现,反复将材料暴露在氢气中会导致镍氧化物的电阻变化随着时间的推移而减小,但引入臭氧等新刺激会大大增加电阻变化。
受这些发现的启发,Kaushik Roy领导的一个研究小组,普渡大学电气和计算机工程杰出教授Edward G. Tiedemann Jr.,建模了氧化镍的行为,并建立了一个算法,成功地使用这些习惯化和敏感策略将数据点分类成簇。
“稳定性-可塑性的困境根本没有得到解决。但我们已经展示了一种基于我们在量子材料中观察到的行为来解决它的方法,”罗伊说。“如果我们能在未来将这种学习材料转化为硬件,那么人工智能可以更有效地执行任务。”
为了将量子材料作为人工智能硬件的实际应用,研究人员将需要弄清楚如何在大规模系统中应用习惯化和敏化。他们还必须确定一种材料在集成到计算机芯片中时如何对刺激做出反应。
来源:普渡大学