Onderzoekers van het Korea Advanced Institute of Science and Technology (KAIST) hebben een self-learning memristor ontwikkeld voor neuromorf computergebruik die zijn eigen fouten kan corrigeren, een ontwikkeling die in het tijdschrift is gedetailleerd Natuurelektronica. De theoretische basis voor deze technologie dateert uit 1971, toen de Amerikaanse elektrotechnisch ingenieur en computerwetenschapper Leon Chua het bestaan van een vierde fundamenteel elektrisch element voorstelden. Naast de weerstand, condensator en inductor redeneerde Chua dat er ook een ‘memristor’ moet zijn, een term gecreëerd door het combineren van ‘geheugen’ en ‘weerstand’. Hij beschreef deze component als het bezit van niet-vluchtig geheugen, wat betekent dat het opgeslagen informatie zou kunnen behouden, zelfs zonder een stroombron. Dit concept legde de basis voor toekomstige vooruitgang in geheugencomponenten die biologische hersenfuncties beter zouden kunnen repliceren. Hoewel de memristor tientallen jaren een theoretisch construct was, genereerde de experimentele ontdekking door onderzoekers in 2008 aanzienlijk belang bij de wetenschappelijke gemeenschap. Na deze ontdekking werden memristors een toonaangevende kandidaat voor gebruik als kunstmatige synapsen in neuromorfe of hersenachtige computersystemen. Hun belangrijkste kenmerk is de mogelijkheid om zowel gegevensopslag als berekening tegelijkertijd binnen een enkele component uit te voeren. Deze dubbele functionaliteit weerspiegelt de geïntegreerde manier die synapsen werken in het menselijk brein, waar verwerking en geheugen niet fysiek gescheiden zijn, en een pad bieden naar het creëren van efficiëntere en krachtige kunstmatige neurale netwerken. In januari 2024 kondigde KAIST -president Kwang Hyung Lee een succesvolle ontwikkeling op dit gebied aan. De onderzoekers van het instituut hebben een memristor gemaakt die kan leren van zijn fouten en fouten corrigeren, waardoor het problemen in staat stelt die eerder als moeilijk werden beschouwd voor neuromorfe systemen. Als een specifiek voorbeeld van zijn mogelijkheden, verklaarde het onderzoeksteam dat de nieuwe chip taken kan uitvoeren, zoals het scheiden van een bewegende afbeelding van een statische achtergrond tijdens de videoverwerking. Het systeem is ontworpen om zijn nauwkeurigheid bij deze taak te verbeteren, omdat het deze in de loop van de tijd blijft uitvoeren. Deze vooruitgang vergemakkelijkt de lokale prestaties van kunstmatige intelligentietaken, waardoor de afhankelijkheid van externe cloud-computerende servers wordt verminderd. Deze verschuiving in de verwerkingslocatie verbetert de privacy van gebruikers direct door gegevens op het apparaat te bewaren en de algehele energie -efficiëntie te verbeteren. Hakcheon Jeong en Seungjae Han, onderzoekers van KAIST, zorgden voor een analogie voor de werking van het systeem in een persverklaring. “Dit systeem is als een slimme werkruimte waarbij alles binnen het bereik van ARM ligt in plaats van heen en weer tussen bureaus en bestandskasten te moeten gaan,” zeiden ze. “Dit is vergelijkbaar met de manier waarop onze hersenen informatie verwerken, waarbij alles op één plek efficiënt wordt verwerkt.” In een gerelateerde ontwikkeling in hetzelfde jaar introduceerde Kaist ook een AI Superconductor -chip. Deze chip is ontworpen om met ultrahoge snelheden te werken terwijl het minimaal vermogen wordt verbruikt, een ander kenmerk dat de efficiëntie van het menselijk brein najaagt. Voor de context is het menselijk brein in staat om ongeveer een miljard miljard, of 10^18, wiskundige bewerkingen per seconde uit te voeren, terwijl ze slechts ongeveer 20 watt macht gebruiken. Het creëren van neuromorfe systemen die dit niveau van hyperefficiëntie kunnen bereiken, is een centraal doel van het veld. De voortdurende verbetering van memristors wordt beschouwd als een incrementele stap in de richting van het creëren van een echte hersenen-op-een-chip, een technologie die AI-mogelijkheden zou kunnen versnellen. Deze vooruitgang heeft geleid tot discussies over de technologische singulariteit, een hypothetisch punt waarop kunstmatige intelligentie menselijke intelligentie overtreft. De complexiteit van de term “intelligentie” wordt echter opgemerkt door wetenschappers, die erop wijzen dat het vermogen om berekeningen als een menselijk brein uit te voeren niet gelijk staat aan het bezitten van alle functies van de hersenen. Sommige wetenschappelijke perspectieven suggereren dat dergelijke machines ‘buitenaardse geesten’ kunnen vormen, met neurale constructies die verschillen van menselijke cognitie maar hun eigen vorm van intelligentie vertegenwoordigen. Momenteel blijft het menselijk brein de benchmark voor hyper-efficiënte computing, hoewel vooruitgang in componenten zoals memristors AI in staat stellen vergelijkbare prestatieniveaus te bereiken.
