De zinsnede "positieve bekrachtiging, " is iets wat je vaker hoort in een artikel over het opvoeden van kinderen dan in een artikel over kunstmatige intelligentie. Maar volgens Alice Parker, Dean's Professor of Electrical Engineering in de Ming Hsieh Department of Electrical and Computer Engineering, een beetje positieve versterking is precies wat onze AI-machines nodig hebben. Parker bouwt al meer dan tien jaar elektronische circuits om het menselijk brein te reverse-engineeren om beter te begrijpen hoe het werkt en uiteindelijk kunstmatige systemen te bouwen die het nabootsen. Haar meest recente artikel, co-auteur met Ph.D. student Kun Yue en collega's van UC Riverside, is net gepubliceerd in het tijdschrift wetenschappelijke vooruitgang en zet een belangrijke stap in de richting van dat uiteindelijke doel.

De AI waarop we tegenwoordig vertrouwen en waarover we lezen, is gemodelleerd naar traditionele computers; het ziet de wereld door de lens van binaire nullen en enen. Dit is prima voor het maken van complexe berekeningen, maar, volgens Parker en Yue, we naderen snel de grenzen van de omvang en complexiteit van problemen die we kunnen oplossen met de platforms waarop onze AI bestaat. "Sinds de eerste deep learning-revolutie, de doelen en voortgang van op deep learning gebaseerde AI zoals we die kennen, is erg traag geweest, " zegt Yue. Om zijn volledige potentieel te bereiken, AI kan niet simpelweg beter denken:het moet zelfstandig reageren en leren op gebeurtenissen in realtime. En om dat te laten gebeuren, er moet in de eerste plaats een enorme verschuiving worden bedacht in hoe we AI bouwen.

Om dit probleem aan te pakken, Parker en haar collega's kijken naar het meest succesvolle leersysteem dat de natuur ooit heeft gecreëerd:het menselijk brein. Dit is waar positieve bekrachtiging in het spel komt. Hersenen, in tegenstelling tot computers, zijn analoge leerlingen en het biologische geheugen heeft persistentie. Analoge signalen kunnen meerdere toestanden hebben (net als mensen). Hoewel een binaire AI die is gebouwd met vergelijkbare soorten nanotechnologieën om een ​​langdurig geheugen te verkrijgen, iets als goed of slecht kan begrijpen, een analoog brein kan dieper begrijpen dat een situatie "zeer goed, " "gewoon oke, " "slecht" of "zeer slecht." Dit veld wordt neuromorphic computing genoemd en het zou zomaar de toekomst van kunstmatige intelligentie kunnen vertegenwoordigen.

Wanneer mensen worden blootgesteld aan iets nieuws en potentieel nuttigs, krijgen onze neuronen een piek van dopamine en worden de verbindingen rondom die neuronen sterker. "Denk aan een baby die in een kinderstoel zit, "Zegt Parker. "Misschien zwaait ze wild met haar armen omdat haar onontwikkelde neuronen gewoon willekeurig vuren." Uiteindelijk leidt een van die wilde bewegingen tot een positief resultaat, bijvoorbeeld:haar kopje omgooien en er een zooitje van maken. Plotseling, de neuronen die die beweging maakten krijgen een reactie en worden sterker. Regelmatig genoeg gedaan, het brein van de baby begint die piek te associëren met iets dat de moeite waard is om te internaliseren. En zomaar, onze kleine baby heeft geleerd dat een armbeweging een vermakelijk resultaat geeft en dat het leren na verloop van tijd aanhoudt. Dit is precies wat neuromorphic computing probeert te doen:AI leren om te leren van ervaringen uit de echte wereld, precies zoals wij dat doen.

Om dit te doen, Parker en Yue hebben hun eigen neuromorfische circuits ontworpen en gecombineerd met nanodevices die Magnetic Domain Wall Analog Memristors (MAM) worden genoemd. Vervolgens voeren ze simulaties uit om te laten zien dat hun neurale circuits leren als een brein. Dit MAM-apparaat is zo complex dat er alleen al een heel artikel op zou kunnen worden geschreven. Maar voor nu, het belangrijkste om te weten is dat het een extreem klein apparaat is dat helpt om voor onbepaalde tijd de positieve versterkende "piek" te onthouden die de kunstmatige neuronen ontvangen. Je kunt de neuromorfe circuits van Parker in combinatie met de MAM precies zo zien als de hersenen van die kleine baby. Op die manier, Parker en Yue zijn een beetje zoals de ouders van de kleine AI-baby... nieuwe dingen leren en het positief versterken als het iets goed doet.

Voorlopig, wat we hebben lijkt een beetje op het brein van een echte baby. Onontwikkeld en absoluut niet klaar om zelfstandig beslissingen te nemen. Maar, ook heel erg als een echte baby, met genoeg werk investering, en liefde van de onderzoekers, deze technologie zal de manier veranderen waarop AI in de echte wereld werkt.

Natuurlijk, Het werk van Parker is nooit echt af. "Onze volgende stap, werken met DARPA, is om ons systeem te leren iets nieuws te leren zonder eerdere lessen te vergeten, "Zegt Parker. Hun werk kan een kleine stap zijn in de richting van het uiteindelijke doel van neuromorfe AI, maar zoals elke goede onderzoeker of ouder, Parker waardeert het belang van babystapjes.