Usando eletricidade para encontrar materiais que podem aprender

May 04, 2023

Cientistas que buscam criar uma nova geração de supercomputadores buscam inspiração no computador mais complexo e eficiente em termos de energia já construído: o cérebro humano.

Em algumas de suas incursões iniciais na fabricação de computadores inspirados no cérebro, os pesquisadores estão analisando diferentes materiais não biológicos cujas propriedades podem ser adaptadas para mostrar evidências de comportamentos semelhantes ao aprendizado. Esses materiais podem formar a base para o hardware que pode ser emparelhado com novos algoritmos de software para permitir uma inteligência artificial (IA) mais potente, útil e com baixo consumo de energia.

Em um novo estudo liderados por cientistas da Purdue University, os pesquisadores expuseram o óxido de níquel com deficiência de oxigênio a breves pulsos elétricos e provocaram duas respostas elétricas diferentes que são semelhantes ao aprendizado. O resultado é um sistema totalmente acionado eletricamente que mostra esses comportamentos de aprendizagem, disse Shriram Ramanathan, professor da Rutgers University. (Ramanathan era professor da Purdue University na época deste trabalho.) A equipe de pesquisa usou os recursos da Advanced Photon Source (APS), uma instalação de usuário do Escritório de Ciências do Departamento de Energia (DOE) no Laboratório Nacional Argonne do DOE.

A primeira resposta, habituação, ocorre quando o material "se acostuma" a ser levemente eletrocutado. Os cientistas perceberam que, embora a resistência do material aumente após um solavanco inicial, ele logo se acostuma com o estímulo elétrico. "A habituação é como o que acontece quando você mora perto de um aeroporto", disse Fanny Rodolakis, física e cientista da APS. "No dia em que você se muda, você pensa 'que barulho', mas acaba não percebendo mais."

A outra resposta apresentada pelo material, a sensibilização, ocorre quando uma dose maior de eletricidade é administrada. “Com um estímulo maior, a resposta do material cresce em vez de diminuir com o tempo”, disse Rodolakis. “É como assistir a um filme de terror e alguém dizer 'boo!' por trás de um canto - você o vê realmente pular."

"Praticamente todos os organismos vivos demonstram essas duas características", disse Ramanathan. "Eles realmente são um aspecto fundamental da inteligência."

Esses dois comportamentos são controlados por interações quânticas entre elétrons que não podem ser descritas pela física clássica e que ajudam a formar a base para uma transição de fase no material. "Um exemplo de transição de fase é um líquido se tornando sólido", disse Rodolakis. "O material que estamos vendo está bem no limite, e as interações competitivas que ocorrem no nível eletrônico podem ser facilmente desviadas para um lado ou para o outro por pequenos estímulos."

Ter um sistema que pode ser completamente controlado por sinais elétricos é essencial para aplicações de computação inspiradas no cérebro, disse Ramanathan. "Ser capaz de manipular materiais dessa maneira permitirá que o hardware assuma parte da responsabilidade pela inteligência", explicou. "Usar propriedades quânticas para obter inteligência em hardware representa um passo fundamental para a computação com eficiência energética."

A diferença entre habituação e sensibilização pode ajudar os cientistas a superar um desafio no desenvolvimento da IA ​​chamado dilema da estabilidade-plasticidade. Os algoritmos de inteligência artificial muitas vezes podem ser, por um lado, muito relutantes em se adaptar a novas informações. Mas, por outro lado, quando o fazem, muitas vezes podem esquecer um pouco do que já aprenderam. Ao criar um material que pode habituar, os cientistas podem ensiná-lo a ignorar ou esquecer informações desnecessárias e, assim, obter estabilidade adicional, enquanto a sensibilização pode treiná-lo para lembrar e incorporar novas informações, permitindo a plasticidade.

“A IA geralmente tem dificuldade em aprender e armazenar novas informações sem sobrescrever as informações que já foram armazenadas”, disse Rodolakis. “Muita estabilidade impede que a IA aprenda, mas muita plasticidade pode levar a um esquecimento catastrófico”.

Uma grande vantagem do novo estudo envolveu o pequeno tamanho do dispositivo de óxido de níquel. "Esse tipo de aprendizado não havia sido feito anteriormente na atual geração de eletrônicos sem um grande número de transistores", disse Rodolakis. “Este sistema de junção única é o menor sistema até hoje a mostrar essas propriedades, o que tem grandes implicações para o possível desenvolvimento de circuitos neuromórficos”.