Ruimte. De laatste grens. En op 2 november 2018, NASA's Voyager 2-ruimtevaartuig stak de uitgestrektheid van de interstellaire ruimte binnen, na Voyager 1, die zes jaar eerder de sprong maakte. Sinds hun lancering in 1977, de twee sondes hebben meer dan 11 miljard mijl door het zonnestelsel gereisd, veel langer duren dan wetenschappers hadden verwacht.

Aangedreven door plutonium en elk 400 watt aan vermogen om hun elektronica en warmte te laten werken, de sondes maken nog steeds foto's en sturen ze terug naar NASA. Na 42 jaar, Hoewel, slechts zes van de 10 instrumenten van Voyager 2 werken nog, en NASA-wetenschappers verwachten dat de sonde in 2025 donker zal worden, ruim voordat het ons zonnestelsel verlaat.

Maar wat als de Voyager 2 maar een paar watt nodig had? Zou het lang genoeg kunnen overleven om zijn verkenningen tot ver in de toekomst voort te zetten?

Dit zijn het soort vragen dat wetenschappers stellen aan het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE). Hier, Engel Yanguas-Gil, belangrijkste materiaalwetenschapper in de divisie Applied Materials, leidt een interdisciplinair team dat het ontwerp van computerchips heroverweegt om niet alleen beter te presteren en zich aan te passen, maar om dit te doen met een minuscule hoeveelheid stroom - ongeveer één watt.

Voor inspiratie, het team kijkt naar de hersenen van insecten, zoals mieren, bijen, en fruitvliegjes - die een nieuwe grens bieden in een soort kunstmatige intelligentie die bekend staat als neuromorphic computing. Wat ze hebben gevonden, kan kunstmatige intelligentie op zijn kunstmatige kop zetten.

Geïnspireerd door biologie, de nieuw ontworpen computerchips van het team, die vertrouwen op nieuwe blauwdrukken en materialen, kan de "cloud" omzeilen om on-the-fly te leren, radicaal energie besparen en aanpassen aan extreme omgevingen, zoals diepe ruimte en radioactieve gebieden, terwijl ze betrouwbare, nauwkeurige resultaten.

De zachte onderbuik van kunstmatige intelligentie

Kunstmatige intelligentie doordringt ons leven, biedt talloze voordelen, zoals het aansturen van spraakgestuurde digitale assistenten, begeleiden van zelfrijdende auto's, onze gezichten herkennen, en ons te helpen automatisch te reageren op sms'jes en e-mails. AI, echter, heeft enkele beperkingen:het is afhankelijk van stapels data en steeds snellere hardware - waaraan het altijd moet worden aangesloten - vraagt ​​veel stroom en heeft een beperkte flexibiliteit.

Hoe is kunstmatige intelligentie inflexibel? Het antwoord ligt in hoe een populaire vorm van AI, een neuraal netwerk genoemd, ziet betekenisvolle arrangementen in data. De meeste neurale netwerken, die patronen en relaties in data blootleggen zonder expliciete programmering, zijn statisch, ontworpen voor een specifieke taak, zoals het herkennen van afbeeldingen. Zodra een netwerk die taak leert, het kan niet schakelen en auto gaan rijden.

"De scène verandert, de verdeling van gegevens is iets anders dan voorheen, en wat je hebt geleerd is niet langer van toepassing, " legde Sandeep Madireddy uit, een computerwetenschapper in de divisie Wiskunde en Informatica (MCS) van Argonne, die zich bij het team van Yanguas-Gil heeft aangesloten.

insecten, anderzijds, zijn veelzijdig en kunnen problemen op verschillende manieren oplossen, zei Yanguas-Gil.

"In een biologisch systeem, het netwerk kan zelf leren en biedt een veel hogere mate van flexibiliteit, " zei hij. "Evolutionaire druk op insecten produceert zeer efficiënte, adaptieve computermachines. bijen, bijvoorbeeld, vertonen de helft van het aantal verschillende cognitieve gedragingen van dolfijnen, alleen in een veel kleiner volume."

Nauwkeurig onder druk

Om dit punt te bewijzen, De chemici van Yanguas-Gil en Argonne, Jeff Elam en Anil Mane, ontwierpen en simuleerden een nieuwe neuromorfische chip, geïnspireerd op de kleine hersenstructuur van bijen, fruitvliegjes en mieren. Het team creëerde een volledig nieuw netwerk dat twee cruciale ontdekkingen bevat:

• Dynamische filters en gewichten die de sterkte van verschillende neurale verbindingen veranderen, afhankelijk van wat het systeem in realtime belangrijk vindt.
• Wolfraam-aluminiumoxide, een bekroond nanocomposietmateriaal gemaakt door Elam en Mane, waardoor de chip zou kunnen werken op vermogensniveaus ver onder één watt. (Daarentegen, grafische verwerkingseenheden [GPU's], gebaseerd op conventionele verwerking van siliciumhalfgeleiders, kan 100 watt of meer per chip verbruiken.)

Uit testen van het nieuwe chipontwerp bleek dat het net zo nauwkeurig was als het standaardontwerp, maar het leerde veel sneller en behield zijn nauwkeurigheid - zelfs onder 60 procent foutenpercentages in zijn interne werking.

"Met neurale netwerken, foutenpercentages van 20 procent tasten de nauwkeurigheid van het systeem aan, " zei Yanguas-Gil. "Ons systeem kan veel hogere foutenpercentages tolereren en dezelfde nauwkeurigheid behouden als een perfect systeem. Dit maakt het een goede kandidaat voor machines die 30 jaar in de ruimte blijven."

Met deze resultaten, het team won in augustus de Best Paper Award op de Space Computing Conference van het Institute of Electrical and Electronics Engineers (IEEE) Computer Society 2019.

Het bouwen van de bijenkorf

Nadat zijn team de blauwdruk voor de neuromorfische chip had ontwikkeld, Yanguas-Gil heeft Madireddy en Prasanna Balaprakash ingeschakeld, ook een computerwetenschapper in de MCS-divisie van het lab, en gebruikte de krachtige computerhulpmiddelen van Argonne om de prestaties te maximaliseren.

Met behulp van de Theta-supercomputer in de Argonne Leadership Computing Facility - een DOE Office of Science User Facility - leidde het duo de neuromorfische blauwdruk door een softwarepakket dat ze ontwikkelden, genaamd DeepHyper, die geautomatiseerde machine learning uitvoert voor neurale netwerken. DeepHyper test duizenden verschillende configuraties van insectenhersenen, betere variaties genereren totdat het de juiste voor een bepaalde taak identificeert.

Met elke set configuraties, DeepHyper leert:evalueren en vervolgens de volgende configuratieset genereren op basis van wat het heeft gezien. "Het werkt op dezelfde manier als mensen een spel leren spelen, "zei Balaprakash. "Jij speelt, je krijgt een cijfer, en dan - op basis van de feedback en je fouten - word je langzaam beter en beter."

In een productiescenario al dit geleerde wordt gecodeerd op de neuromorfische chip, en de chip zelf zal zich kunnen aanpassen, schakelen om elk type taak op te lossen.

Hoe het spel te veranderen?

Deze vorderingen zijn slechts het begin. Zodra Yanguas-Gil en zijn team het best presterende chipontwerp hebben ontdekt, ze moeten het eens worden over het beste gebruik ervan. Gelukkig, er lijkt een eindeloze vraag te zijn naar een chip die computerintelligentie - precies waar het nodig is - combineert met een laag stroomverbruik.

Wat als, bijvoorbeeld, kunnen wetenschappers sensoren met een laag vermogen in nationale bossen plaatsen om te waarschuwen voor bosbranden?

Zowel Yanguas-Gil als Balaprakash wijzen ook naar stedelijke gebieden, waar de chip zou kunnen controleren op potentieel gevaarlijke chemicaliën. Argonne, in samenwerking met de Universiteit van Chicago en de stad Chicago, heeft al 120 slimme sensoren in de stad geïnstalleerd om factoren zoals luchtkwaliteit, verkeer en klimaat - een door de National Science Foundation gefinancierd project dat bekend staat als de Array of Things.

Deze slimme apparaten gebruiken het Waggle-technologieplatform van Argonne, die op afstand programmeerbare high-performance computerapparaten bevatten, zodat AI-mogelijkheden kunnen worden ingebed in de sensoren. Op deze manier, bijvoorbeeld, beeldanalyse kan inzicht geven in de hoeveelheid en het karakter van straatactiviteiten en zelfs menselijke interacties. In echte zin, deze apparaten kunnen AI-technieken gebruiken om over hun omgeving te "leren" om nieuwe of ongebruikelijke gebeurtenissen of patronen te detecteren.

"Stel je voor dat die sensoren in realtime kunnen leren en giftig gas kunnen detecteren?" vroeg Balaprakasj.

In theorie, Yanguas-Gil is het ermee eens dat neuromorfe chips zouden kunnen fungeren als massaspectrometers om in realtime verschillende molecuulfragmenten te leren herkennen zonder expliciet geprogrammeerd te zijn. "Dat zou een game changer zijn, " hij zei.