Przełom w AI: Neuron półprzewodnikowy naśladuje zdolności adaptacyjne i pamięć mózgu

Sztuczna inteligencja wkracza w nową erę dzięki przełomowemu odkryciu naukowców z Korea Advanced Institute of Science and Technology (KAIST). Stworzyli oni neuron półprzewodnikowy, który nie tylko przetwarza sygnały jak tradycyjne układy AI, ale także naśladuje zdolność mózgu do uczenia się i adaptacji. Odkrycie to, opublikowane w prestiżowym czasopiśmie „Advanced Materials”, może zrewolucjonizować sposób, w jaki projektujemy i wykorzystujemy systemy AI.

Kluczową innowacją jest implementacja tzw. plastyczności wewnętrznej – zdolności neuronów do autonomicznego dostosowywania swojej wrażliwości na bodźce. W ludzkim mózgu, neurony uczą się ignorować powtarzalne, nieistotne sygnały (jak dźwięki) lub wyostrzać reakcje na bodźce istotne. Nowy neuron półprzewodnikowy naśladuje to zachowanie za pomocą przełączającego częstotliwość neurystora.

Profesor Kyung Min Kim z Wydziału Inżynierii Materiałowej KAIST, lider zespołu badawczego, wyjaśnia: „Zaimplementowaliśmy plastyczność wewnętrzną, kluczową funkcję mózgu, w pojedynczym urządzeniu półprzewodnikowym, podnosząc w ten sposób energooszczędność i stabilność sprzętu AI na nowy poziom”.

Urządzenie łączy w sobie dwa rodzaje memrystorów: ulotny, który reaguje chwilowo, i trwały, który zapamiętuje sygnały wejściowe na dłużej. Ta kombinacja pozwala na precyzyjne kontrolowanie częstotliwości „wystrzałów” neuronu, czyli jego aktywności. Sygnały neuronowe i zmiany oporu memrystorów wzajemnie na siebie wpływają, autonomicznie dostosowując reakcje urządzenia. W efekcie, jeden układ półprzewodnikowy naśladuje proces, w którym mózg staje się mniej wrażliwy na powtarzalne dźwięki lub bardziej czuły na powtarzające się bodźce.

Aby potwierdzić skuteczność swojego rozwiązania, naukowcy przeprowadzili symulacje z rzadką siecią neuronową. Wyniki pokazały, że dzięki wbudowanej funkcji pamięci neuronów, system osiągnął taką samą wydajność przy zużyciu energii mniejszym o 27,7% w porównaniu z konwencjonalnymi sieciami neuronowymi. Co więcej, sieć wykazała się niezwykłą odpornością: nawet w przypadku uszkodzenia niektórych neuronów, plastyczność wewnętrzna pozwoliła na reorganizację i przywrócenie wydajności.

Oznacza to, że sztuczna inteligencja wykorzystująca tę technologię zużywa mniej energii, zachowując przy tym wysoką wydajność. Potrafi także kompensować częściowe uszkodzenia obwodów, aby wznowić normalne działanie. To ogromny krok naprzód w kierunku bardziej niezawodnych i energooszczędnych systemów AI.

Technologia ta, umożliwiająca urządzeniom zapamiętywanie własnego stanu oraz adaptację lub regenerację nawet po uszkodzeniach, może stać się kluczowym elementem systemów wymagających długotrwałej stabilności, takich jak edge computing i autonomiczna jazda. Otwiera to drogę do rozwoju bardziej inteligentnych, niezawodnych i energooszczędnych systemów AI, które będą mogły działać w trudnych warunkach i adaptować się do zmieniającego się otoczenia.