موارد مهم
- نوع کمیاب ماده به نام شیشه اسپین می تواند هوش مصنوعی را فعال کند که اشیاء را مانند انسان تشخیص دهد.
- استفاده از شیشه چرخشی برای مدارهای قابل چاپ نیز می تواند به انواع جدیدی از محاسبات کم مصرف منجر شود.
- انواع دیگر تراشه های الهام گرفته از مغز نیز می توانند نحوه تشخیص تصاویر توسط هوش مصنوعی را بهبود بخشند.
چاپ مدارهای مستقیم بر روی اشیاء فیزیکی می تواند به هوش مصنوعی (AI) هوشمندتر منجر شود.
محققان آزمایشگاه ملی لوس آلاموس از نوعی ماده نادر به نام شیشه چرخشی برای جایگزینی مدارها استفاده می کنند. ویژگیهای غیرمعمول شیشههای چرخشی نوعی هوش مصنوعی را قادر میسازد که میتواند اشیاء را از تصاویر جزئی مانند مغز تشخیص دهد.
کریس مور، دانشمند کامپیوتر و فیزیکدان مؤسسه سانتافه که در تحقیقات لوس آلاموس دخالتی نداشت، در ایمیلی به Lifewire گفت: «عینکهای چرخشی سیستمهایی با «چشمانداز ناهموار» از راهحلهای ممکن هستند. مصاحبه. "آنها به ما کمک می کنند تا بررسی کنیم که چرا الگوریتم ها گاهی اوقات در راه حل هایی گیر می کنند که به صورت محلی خوب به نظر می رسند اما بهترین ممکن نیستند."
مدارهای قابل چاپ
استفاده از شیشه چرخشی برای مدارهای قابل چاپ نیز می تواند به انواع جدیدی از محاسبات کم مصرف منجر شود. اسپین شیشه به محققان اجازه می دهد تا ساختارهای مواد را با استفاده از ریاضیات بررسی کنند. با این رویکرد، دانشمندان می توانند تعامل درون سیستم ها را با استفاده از لیتوگرافی پرتو الکترونی، که از پرتو متمرکزی از الکترون ها برای ترسیم اشکال سفارشی روی یک سطح استفاده می کند، تغییر دهند. لیتوگرافی می تواند امکان چاپ انواع جدیدی از مدارات را فراهم کند.
بر اساس مقاله اخیر تیم Los Alamos که در مجله معتبر Nature Physics منتشر شده است، لیتوگرافی ارائه انواع مشکلات محاسباتی در شبکههای شیشهای اسپین را ممکن میسازد.
مایکل ساکون، محقق فوق دکترا در فیزیک نظری در آزمایشگاه ملی لوس آلاموس و نویسنده اصلی مقاله، کار ما اولین تحقق آزمایشی یک شیشه اسپین مصنوعی متشکل از نانومغناطیسهایی را که برای تکرار یک شبکه عصبی مرتب شدهاند، انجام داد. این روزنامه در بیانیه خبری گفته است. "مقاله ما اساس مورد نیاز ما برای استفاده عملی از این سیستم های فیزیکی را ایجاد می کند."
مور اسپین شیشه را به دی اکسید سیلیکون (شیشه پنجره) تشبیه کرد که به نظر می رسد یک کریستال کامل است، اما با سرد شدن، در حالت آمورف که در سطح مولکولی مانند مایع به نظر می رسد گیر می کند..
«به همین ترتیب، الگوریتمها میتوانند در پشت «موانع انرژی» که در مسیر بهینه جهانی قرار دارند گیر کنند.
ایده هایی از نظریه شیشه اسپین می تواند به محققان در جهت یابی مناظر با ابعاد بالا کمک کند.
مور گفت: "این پیگیری یک جامعه بین رشته ای پر جنب و جوش در تقاطع فیزیک، ریاضیات و علوم کامپیوتر ایجاد کرده است."ما میتوانیم از ایدههای فیزیک برای تعیین محدودیتهای اساسی در الگوریتمها استفاده کنیم، مانند میزان نویز که آنها میتوانند در حین یافتن الگوها در دادهها تحمل کنند و الگوریتمهایی طراحی کنیم که تا آن حد تئوریک موفق باشند.»
هوش مصنوعی که مانند انسان به یاد می آورد
تیم تحقیقاتی شیشه های چرخشی مصنوعی را به عنوان راهی برای بررسی شبکه های عصبی هاپفیلد بررسی کردند. این شبکهها حافظه تداعی انسان را مدل میکنند که توانایی یادگیری و به خاطر سپردن رابطه بین موارد نامرتبط است.
مدلهای نظری که عینکهای چرخشی را توصیف میکنند، به طور گسترده در سایر سیستمهای پیچیده، مانند مدلهایی که عملکرد مغز را توصیف میکنند، استفاده میشوند.
با حافظه انجمنی، اگر فقط یک حافظه فعال شود، برای مثال با دریافت تصویری جزئی از یک چهره به عنوان ورودی - آنگاه شبکه می تواند کل چهره را به خاطر بیاورد. برخلاف الگوریتمهای سنتی، حافظه انجمنی برای شناسایی یک حافظه به سناریوی یکسانی نیاز ندارد.
تحقیق توسط Saccone و تیم تایید کرد که spin-glass برای توصیف ویژگیهای یک سیستم و نحوه پردازش اطلاعات مفید خواهد بود. ساکون گفت، الگوریتمهای هوش مصنوعی توسعهیافته در شیشههای چرخشی نسبت به الگوریتمهای سنتی «مختلتر» هستند، اما برای برخی از برنامههای کاربردی هوش مصنوعی نیز انعطافپذیرتر هستند.
ساکون گفت: «مدلهای نظری که عینکهای چرخشی را توصیف میکنند، به طور گسترده در سیستمهای پیچیده دیگر، مانند مدلهایی که عملکرد مغز، کدهای تصحیح خطا، یا پویاییهای بازار سهام را توصیف میکنند، استفاده میشوند. "این علاقه گسترده به عینک های چرخشی انگیزه قوی برای تولید یک شیشه چرخان مصنوعی ایجاد می کند."
انواع دیگر تراشه های الهام گرفته از مغز نیز می توانند نحوه تشخیص تصاویر توسط هوش مصنوعی را بهبود بخشند. مقالهای اخیر نشان میدهد که چگونه تراشههای کامپیوتری میتوانند به صورت پویا خود را دوباره سیمکشی کنند تا مانند مغز دادههای جدید را دریافت کنند و به هوش مصنوعی کمک کنند تا در طول زمان به یادگیری ادامه دهد.
شریرام راماناتان، استاد دانشکده مهندسی مواد دانشگاه پردو و یکی از نویسندگان مقاله، در یک بیانیه خبری گفت: "مغز موجودات زنده می تواند به طور مداوم در طول عمر خود یاد بگیرد.""ما اکنون یک پلت فرم مصنوعی برای یادگیری ماشین ها در طول عمر خود ایجاد کرده ایم."