Jaringan Nanowire meniru otak dan mempelajari tulisan tangan dengan akurasi hingga 93,4%.

ringkasan: Para peneliti telah mengembangkan sistem komputer eksperimental, mirip dengan otak biologis, yang berhasil mengenali angka tulisan tangan dengan tingkat akurasi 93,4%.

Prestasi ini dicapai dengan menggunakan algoritme pelatihan baru yang memberikan umpan balik secara terus menerus dan real-time, mengungguli metode pemrosesan data batch tradisional yang mencapai akurasi 91,4%.

Desain sistem ini menampilkan jaringan kawat nano yang dapat diatur sendiri pada elektroda, dengan memori yang terjalin dan kemampuan pemrosesan, tidak seperti komputer tradisional dengan modul diskrit.

Kemajuan dalam komputasi yang diilhami oleh otak ini dapat merevolusi aplikasi AI, yang membutuhkan lebih sedikit daya dan unggul dalam menganalisis data yang kompleks.

Fakta-fakta kunci:

1. Sistem jaringan kawat nano menunjukkan kemampuan pembelajaran yang unggul, mencapai akurasi 93,4% dalam mengidentifikasi angka tulisan tangan.
2. Algoritme pelatihan sistem yang unik dan penyimpanan memori dalam arsitektur fisiknya membedakannya dari metode komputasi tradisional.
3. Teknologi ini menunjukkan potensi aplikasi AI hemat energi yang mampu memproses data kompleks dan canggih secara real time.

sumber: Universitas California

Sebuah sistem komputer eksperimental yang meniru otak biologis sebenarnya “belajar” mengidentifikasi angka tulisan tangan dengan akurasi keseluruhan 93,4%.

Inovasi utama dalam percobaan ini adalah algoritma pelatihan baru yang memberikan sistem informasi berkelanjutan tentang keberhasilannya dalam menyelesaikan tugas secara real-time saat sedang belajar.

Algoritme ini mengungguli pendekatan pembelajaran mesin tradisional di mana pelatihan dilakukan setelah memproses sekumpulan data, sehingga menghasilkan akurasi sebesar 91,4%. Para peneliti juga menunjukkan bahwa memori masukan sebelumnya yang disimpan dalam sistem itu sendiri meningkatkan pembelajaran. Sebaliknya, metode komputasi lain menyimpan memori dalam perangkat lunak atau perangkat keras yang terpisah dari prosesor perangkat.

latar belakang

Selama 15 tahun, para peneliti di California NanoSystems Institute di Universitas California, Los Angeles, atau CNSI, telah mengembangkan teknologi platform komputasi baru. Teknologi ini merupakan sistem yang diilhami oleh otak yang terdiri dari jaringan kusut kabel yang mengandung perak, ditempatkan di atas lapisan elektroda.

Sistem menerima masukan dan menghasilkan keluaran melalui impuls listrik. Masing-masing kabel berukuran sangat kecil sehingga diameternya diukur pada skala nano, sepersejuta meter.

“Otak perak kecil” sangat berbeda dengan komputer masa kini, yang memiliki memori terpisah dan unit pemrosesan yang terbuat dari atom yang posisinya tidak berubah ketika elektron mengalir melaluinya.

Sebaliknya, jaringan kawat nano secara fisik direnovasi sebagai respons terhadap rangsangan, dengan memori berdasarkan struktur atomnya dan menyebar ke seluruh sistem. Ketika kabel tumpang tindih, koneksi dapat terbentuk atau terputus, serupa dengan perilaku sinapsis di otak biologis tempat neuron berkomunikasi satu sama lain.

Kolaborator penelitian, di Universitas Sydney, telah mengembangkan algoritma yang disederhanakan untuk memberikan masukan dan menafsirkan keluaran. Algoritme ini disesuaikan untuk memanfaatkan kemampuan sistem yang menyerupai otak untuk berubah secara dinamis dan memproses beberapa aliran data secara bersamaan.

jalan

Sistem mirip otak ini terdiri dari bahan yang mengandung perak dan selenium, yang telah diizinkan untuk mengatur dirinya sendiri menjadi jaringan kawat nano yang kusut melalui 16 elektroda. Para ilmuwan melatih dan menguji jaringan kawat nano menggunakan gambar angka tulisan tangan, kumpulan data yang dibuat oleh Institut Standar dan Teknologi Nasional yang sering digunakan untuk mengukur sistem pembelajaran mesin.

Gambar dikirim ke sistem piksel demi piksel menggunakan pulsa listrik yang masing-masing berlangsung selama satu milidetik, dengan voltase berbeda yang mewakili piksel terang atau gelap.

dampak

Jaringan kawat nano, yang masih dalam pengembangan, diperkirakan memerlukan daya yang jauh lebih sedikit dibandingkan sistem AI berbasis silikon untuk melakukan tugas serupa. Jaringan ini juga menjanjikan tugas-tugas yang sulit diselesaikan oleh AI saat ini: memahami data kompleks, seperti pola cuaca, lalu lintas, dan sistem lain yang berubah seiring waktu. Untuk melakukan hal ini, AI saat ini memerlukan data pelatihan dalam jumlah besar dan pengeluaran energi yang sangat tinggi.

Dengan jenis desain bersama yang digunakan dalam penelitian ini – perangkat keras dan perangkat lunak yang dikembangkan secara berdampingan – jaringan kawat nano pada akhirnya dapat memainkan peran yang saling melengkapi bersama dengan perangkat elektronik berbasis silikon.

Memori dan pemrosesan mirip otak yang tertanam dalam sistem fisik yang mampu beradaptasi dan belajar terus-menerus mungkin sangat cocok untuk apa yang disebut “edge computing”, yang memproses data kompleks secara instan tanpa perlu terhubung ke server jarak jauh.

Potensi pemanfaatannya mencakup robotika, navigasi otonom pada mesin seperti kendaraan dan drone, dan teknologi perangkat pintar yang membentuk Internet of Things, serta pemantauan kesehatan dan koordinasi pengukuran dari sensor di berbagai lokasi.

Penulis

Penulis studi ini adalah James Gimzewski, Profesor Kimia Terhormat di UCLA dan anggota CNSI; Adam Steg, seorang ilmuwan peneliti di UCLA dan direktur asosiasi CNSI Center; Zdenka Koncic, Profesor Fisika di Universitas Sydney; dan Rumin Zhou, seorang mahasiswa PhD di Universitas Sydney, juga merupakan penulis pertama. Rekan penulis lainnya adalah Sam Lilac, yang menerima gelar PhD dari UCLA pada tahun 2022; dan Alon Loeffler dan Joseph Lizer dari Universitas Sydney.

Keuangan

Penelitian ini didukung oleh Universitas Sydney dan Komisi Fulbright Australia-AS.

Tentang Berita Penelitian Ilmu Saraf Komputasi

pengarang: Nicole Wilkins
sumber: Universitas California
komunikasi: Nicole Wilkins – Universitas California
gambar: Gambar dikreditkan ke Berita Neuroscience

Pencarian asli: Akses terbuka.
“Pembelajaran online dinamis dan memori sekuensial menggunakan jaringan kawat nano saraf“Oleh James Gemzewski dkk. Komunikasi Alam

ringkasan

Pembelajaran online dinamis dan memori sekuensial menggunakan jaringan kawat nano saraf

Jaringan nanowire (NWNs) termasuk dalam kelas sistem saraf baru yang memanfaatkan sifat fisik unik dari bahan berstruktur nano. Selain struktur fisik seperti jaringan saraf, NWN juga menunjukkan peralihan memori resistif sebagai respons terhadap masukan listrik karena perubahan konduktansi seperti sinapsis pada persimpangan titik silang antara kawat nano dan kawat nano.

Penelitian sebelumnya telah menunjukkan bagaimana dinamika neuromorfik yang dihasilkan oleh NWN dapat dimanfaatkan dalam tugas pembelajaran temporal.

Studi ini memperluas temuan ini lebih jauh dengan mendemonstrasikan pembelajaran online fitur spatiotemporal dinamis menggunakan klasifikasi gambar dan tugas mengingat memori serial yang diterapkan pada perangkat NWN.

Diterapkan pada tugas klasifikasi digit tulisan tangan MNIST, pembelajaran online dinamis menggunakan perangkat NWN mencapai akurasi keseluruhan sebesar 93,4%.

Selain itu, kami menemukan hubungan antara akurasi klasifikasi untuk kategori bilangan ganjil dan informasi timbal balik. Tugas memori urutan mengungkapkan bagaimana pola memori yang tertanam dalam fitur dinamis memungkinkan pembelajaran online dan mengingat pola urutan spatiotemporal.

Secara keseluruhan, hasil ini memberikan bukti konsep pembelajaran online dinamika spatiotemporal menggunakan NWN dan menunjukkan bagaimana memori dapat meningkatkan pembelajaran.