Durchbruch bei neuromorphem Computing kann die KI stören

Wissenschaftler schaffen einen gehirnähnlichen organischen Transistor, der lernen und sich entwickeln kann.

Quelle: Geralt / Pixabay

Das menschliche Gehirn ist ein bemerkenswert komplexes und dennoch energieeffizientes kognitives System. Wissenschaftler und Forscher betrachten die Architektur des Gehirns als Inspirationsquelle für künstliche Intelligenz (KI), maschinelles Lernen und tiefes Lernen. Konzepte auf künstlichen neuronalen Netzen (ANNs) sind dem Gehirn in gewisser Weise analog, mit künstlichen Knoten anstelle von Neuronen. Neuromorphic Computing ist ein interdisziplinäres Unterfangen, das sich auf Physik, Mathematik, Elektronik, Biologie, Informatik und Neurowissenschaften stützt, um künstliche neuronale Systeme zu schaffen, die der Architektur im Gehirn ähneln. Ein Team von Wissenschaftlern der Universität Linköping in Schweden hat kürzlich einen Durchbruch im neuromorphen Computing erzielt, indem ein neuer Lerntransistor entwickelt wurde. Sie haben ihre Ergebnisse gestern in Advanced Science veröffentlicht .

Maschinelles Lernen wird heute auf vorgefertigten Schaltkreisen durchgeführt. Im Gegensatz dazu kann das Gehirn neue Verbindungen knüpfen, wenn zuvor keine Verbindungen vorhanden waren. Das Forschungsteam von Simone Fabiano, Jennifer Y. Gerasimov, Roger Gabrielsson, Robert Forchheimer, Eleni Stavrinidou, Daniel T. Simon und Magnus Berggren erstellte einen organischen elektrochemischen Transistor (OECT), der lernen kann, neue Verbindungen zwischen Eingang und Ausgang herzustellen, und hat sowohl Kurzzeit- als auch Langzeitgedächtnis.

• Ihre Lösung für ein frühes Aufwachen
• Multimodale Ansätze können das Alzheimer-Risiko verringern
• Der kognitive Balanceakt der Kreativität
• Ist “Drunkorexia” eine echte Sache?
• 4 Schlafvorteile von Glycin

Ein organischer elektrochemischer Transistor kann Elektronensignale und -leistung durch Injektion von Ionen aus einer elektrisch leitenden Lösung (Elektrolyt) in einen Halbleiterkanal verstärken oder umschalten. Derzeitige organische elektrochemische Transistoren verwenden typischerweise ein leitfähiges Polymer, das als PEDOT bezeichnet wird. Roger Gabrielsson, ein Mitglied des Forschungsteams am Laboratorium für Organische Elektronik der Universität Linköping, entwickelte stattdessen ein Monomer namens ETE-S.

Wenn die Eingangssignale manipuliert werden, “kann die Stärke der Transistorantwort auf einen bestimmten Reiz innerhalb eines Bereichs moduliert werden, der mehrere Größenordnungen umfasst”, schrieben die Forscher. So konnte sich der organische elektrochemische Transistor des Teams auf eine Weise verhalten, die der kurzzeitigen und langfristigen Neuroplastizität des Gehirns ähnelt. Neuroplastizität ist die Fähigkeit des Gehirns, sich durch Bildung neuer neuronaler Verbindungen neu zu organisieren.

Simone Fabiano, Chefforscher für organische Nanoelektronik am Laboratorium für Organische Elektronik, Campus Norrköping: “Es ist das erste Mal, dass die Bildung neuer elektronischer Komponenten in Echtzeit in neuromorphen Geräten gezeigt wird.”

• Warum erzeugen Beziehungsunsicherheiten so viel Angst?
• Emotionale Kriegsführung
• Religion in ihrer Beziehung zur menschlichen Entwicklung
• Superfluidität und die Synergie Ihrer vier Gehirnhälften
• Das Gute, das Schlechte und das Schöne

Fabiano erklärt, der neue organische elektrochemische Transistor des Forschungsteams könne “die Arbeit von Tausenden von normalen Transistoren mit einem Energieverbrauch verrichten, der dem Energieverbrauch nahe kommt, wenn ein menschliches Gehirn Signale zwischen zwei Zellen überträgt.”

Diese innovative Technologie kann für tiefes Lernen nützlich sein, eine Untergruppe des maschinellen Lernens von KI, die aus einem künstlichen neuronalen Netzwerk mit mehr als zwei Schichten besteht. Deep Learning ist ressourcenintensiv, da es viele Schichten neuronaler Verarbeitung enthält, wobei jede Schicht aus vielen Knoten (künstlichen Neuronen) besteht. Dies erfordert massive Ressourcen sowohl für die Berechnung als auch für das Gedächtnis. Dies erklärt, warum der Aufstieg von GPUs (Graphic Processing Units) für das allgemeine Rechnen mit seinen massiv parallelen Verarbeitungsfunktionen (im Vergleich zu serieller Verarbeitung) den Aufstieg des Tiefenlernens beschleunigt hat. Mit größeren Verarbeitungsfähigkeiten kam es zu Fortschritten bei den Mustererkennungsfähigkeiten des Tiefenlernens. Fortschritte im tiefen Lernen sind die Grundlage der Renaissance der KI.

Laut dem Bericht von Grand View Research vom April 2018 wird der weltweite Markt für neuromorphes Computing bis 2024 voraussichtlich 6,48 Milliarden US-Dollar erreichen. Neuromorphe Chips werden in der Unterhaltungselektronik, Robotik, Autos und anderen Produkten verwendet. Wird dieser neue Transistor eine Zukunft einläuten, in der KI-Maschinelles Lernen auf evolutionsfähiger organischer Elektronik basiert?

Copyright © 2019 Cami Rosso Alle Rechte vorbehalten.

Verweise

Linköping Universität. “Das Lernen von Transistoren imitiert das Gehirn: Ein evolvierbarer organischer elektrochemischer Transistor für neuromorphe Anwendungen.” ScienceDaily . 5. Februar 2019.