Bài học rút ra chính
- Một loại vật chất hiếm gọi là thủy tinh quay có thể cho phép AI nhận dạng các vật thể theo cách con người làm.
- Việc sử dụng kính quay cho các mạch có thể in cũng có thể dẫn đến các loại máy tính công suất thấp mới.
- Các loại chip lấy cảm hứng từ não bộ khác cũng có thể cải thiện cách AI nhận dạng hình ảnh.
In mạch trực tiếp trên các vật thể vật lý có thể dẫn đến trí tuệ nhân tạo (AI) thông minh hơn.
Các nhà nghiên cứu tại Phòng thí nghiệm Quốc gia Los Alamos đang sử dụng một dạng vật chất hiếm gọi là thủy tinh quay để thay thế các mạch điện. Các đặc tính bất thường của kính quay cho phép một dạng AI có thể nhận ra các vật thể từ hình ảnh một phần giống như não bộ.
"Kính quay là hệ thống có 'bối cảnh gập ghềnh' của các giải pháp khả thi", Cris Moore, nhà khoa học máy tính và nhà vật lý tại Viện Santa Fe, người không tham gia vào nghiên cứu Los Alamos, nói với Lifewire trong một email phỏng vấn. "Chúng giúp chúng tôi phân tích lý do tại sao các thuật toán đôi khi gặp khó khăn trong các giải pháp có vẻ tốt cục bộ nhưng không phải là giải pháp tốt nhất có thể."
Mạch in được
Việc sử dụng kính quay cho các mạch có thể in được cũng có thể dẫn đến các loại máy tính công suất thấp mới. Kính quay cho phép các nhà nghiên cứu điều tra cấu trúc vật chất bằng toán học. Với cách tiếp cận này, các nhà khoa học có thể điều chỉnh sự tương tác trong các hệ thống bằng cách sử dụng kỹ thuật in thạch bản chùm điện tử, sử dụng chùm điện tử hội tụ để vẽ các hình dạng tùy chỉnh trên bề mặt. Kỹ thuật in thạch bản có thể cho phép in các loại mạch điện mới.
Thuật in thạch bản có thể đại diện cho nhiều vấn đề tính toán khác nhau trong mạng thủy tinh quay, theo một bài báo gần đây của nhóm Los Alamos được công bố trên tạp chí Nature Physics.
"Công trình của chúng tôi đã hoàn thành thực nghiệm đầu tiên về một kính spin nhân tạo bao gồm các hạt nanomagne được sắp xếp để tái tạo một mạng nơ-ron", Michael Saccone, nhà nghiên cứu sau tiến sĩ về vật lý lý thuyết tại Phòng thí nghiệm Quốc gia Los Alamos và là tác giả chính của tờ báo, cho biết trong bản tin tức. "Bài báo của chúng tôi đặt ra nền tảng mà chúng tôi cần để sử dụng các hệ thống vật lý này một cách thực tế."
Moore đã ví thủy tinh spin với silicon dioxide (kính cửa sổ), có vẻ như là một tinh thể hoàn hảo, nhưng khi nguội đi, nó bị mắc kẹt ở trạng thái vô định hình trông giống như chất lỏng ở cấp độ phân tử.
"Theo cách tương tự, các thuật toán có thể bị mắc kẹt sau 'rào cản năng lượng' cản trở sự tối ưu toàn cầu", Moore nói thêm.
Ý tưởng từ lý thuyết kính quay có thể giúp các nhà nghiên cứu định hướng phong cảnh có chiều cao.
"Theo đuổi này đã tạo ra một cộng đồng liên ngành sôi động ở giao điểm của vật lý, toán học và khoa học máy tính," Moore nói."Chúng tôi có thể sử dụng các ý tưởng từ vật lý để xác định các giới hạn cơ bản đối với các thuật toán, chẳng hạn như mức độ nhiễu mà chúng có thể chịu đựng trong khi vẫn tìm ra các mẫu trong dữ liệu-và để thiết kế các thuật toán thành công cho đến hết các giới hạn lý thuyết đó."
AI Nhớ Như Con Người
Nhóm nghiên cứu đã tìm hiểu thủy tinh quay nhân tạo như một cách để xem xét những gì được gọi là mạng nơ-ron Hopfield. Các mạng này mô hình hóa trí nhớ liên kết của con người, đó là khả năng học và ghi nhớ mối quan hệ giữa các mục không liên quan.
Các mô hình lý thuyết mô tả kính quay được sử dụng rộng rãi trong các hệ thống phức tạp khác, chẳng hạn như các mô hình mô tả chức năng não.
Với bộ nhớ kết hợp, nếu chỉ một bộ nhớ được kích hoạt, chẳng hạn bằng cách nhận hình ảnh một phần của khuôn mặt làm đầu vào - thì mạng có thể nhớ lại toàn bộ khuôn mặt. Không giống như các thuật toán truyền thống, bộ nhớ kết hợp không yêu cầu một kịch bản giống hệt nhau để xác định một bộ nhớ.
Nghiên cứu của Saccone và nhóm đã xác nhận rằng kính quay sẽ hữu ích để mô tả các thuộc tính của một hệ thống và cách nó xử lý thông tin. Các thuật toán AI được phát triển trong kính quay sẽ "lộn xộn" hơn các thuật toán truyền thống, Saccone nói, nhưng cũng linh hoạt hơn đối với một số ứng dụng AI.
"Các mô hình lý thuyết mô tả kính quay được sử dụng rộng rãi trong các hệ thống phức tạp khác, chẳng hạn như mô tả chức năng não, mã sửa lỗi hoặc động lực thị trường chứng khoán," Saccone nói. "Sự quan tâm rộng rãi đến kính quay này tạo động lực mạnh mẽ để tạo ra kính quay nhân tạo."
Các loại chip lấy cảm hứng từ não bộ khác cũng có thể cải thiện cách AI nhận dạng hình ảnh. Một bài báo gần đây cho thấy cách các chip máy tính có thể tự động quay lại để tiếp nhận dữ liệu mới giống như não bộ, giúp AI tiếp tục học hỏi theo thời gian.
"Bộ não của chúng sinh có thể liên tục học hỏi trong suốt cuộc đời của chúng", Shriram Ramanathan, giáo sư tại Trường Kỹ thuật Vật liệu của Đại học Purdue và là một trong những tác giả của bài báo cho biết trong một bản tin."Hiện chúng tôi đã tạo ra một nền tảng nhân tạo để máy móc học hỏi trong suốt vòng đời của chúng".
