Omdat kunstmatige intelligentie steeds geavanceerder is geworden, het heeft geleid tot hernieuwde inspanningen om computers te ontwikkelen waarvan de fysieke architectuur het menselijk brein nabootst. een benadering, reservoirberekening genoemd, stelt hardwareapparaten in staat om de hogere dimensieberekeningen te realiseren die vereist zijn door opkomende kunstmatige intelligentie. Een nieuw apparaat benadrukt het potentieel van extreem kleine mechanische systemen om deze berekeningen uit te voeren.

Een groep onderzoekers van de Université de Sherbrooke in Québec, Canada, meldt de constructie van het eerste reservoircomputerapparaat gebouwd met een micro-elektromechanisch systeem (MEMS). Gepubliceerd in de Tijdschrift voor Toegepaste Natuurkunde , het neurale netwerk maakt gebruik van de niet-lineaire dynamiek van een microschaal siliciumstraal om zijn berekeningen uit te voeren. Het werk van de groep is gericht op het creëren van apparaten die tegelijkertijd als sensor en computer kunnen fungeren en een fractie van de energie gebruiken die een normale computer zou gebruiken.

Het artikel verschijnt in een speciale sectie van het tijdschrift gewijd aan "New Physics and Materials for Neuromorphic Computation, " die nieuwe ontwikkelingen in fysisch en materiaalwetenschappelijk onderzoek belicht die veelbelovend zijn voor de ontwikkeling van de zeer grootschalige, geïntegreerde "neuromorfe" systemen van morgen die de berekening verder zullen brengen dan de beperkingen van de huidige halfgeleiders van vandaag.

"Dit soort berekeningen worden normaal gesproken alleen in software gedaan, en computers kunnen inefficiënt zijn, " zei Guillaume Dion, een auteur op papier. "Veel van de sensoren van vandaag zijn gebouwd met MEMS, dus apparaten zoals de onze zouden de ideale technologie zijn om de grens tussen sensoren en computers te vervagen."

Het apparaat vertrouwt op de niet-lineaire dynamiek van hoe de siliciumstraal, met een breedte die 20 keer dunner is dan een mensenhaar, oscilleert in de ruimte. De resultaten van deze oscillatie worden gebruikt om een ​​virtueel neuraal netwerk te construeren dat het ingangssignaal projecteert in de hogere dimensionale ruimte die nodig is voor neurale netwerkcomputing.

Bij demonstraties, het systeem kon relatief gemakkelijk schakelen tussen verschillende gemeenschappelijke benchmarktaken voor neurale netwerken, Dion zei, inclusief het classificeren van gesproken geluiden en het verwerken van binaire patronen met een nauwkeurigheid van respectievelijk 78,2 procent en 99,9 procent.

"Deze kleine straal silicium kan heel verschillende taken uitvoeren, " zei Julien Sylvestre, een andere auteur op het papier. "Het is verrassend eenvoudig om het aan te passen om het goed te laten presteren bij het herkennen van woorden."

Sylvestre zei dat hij en zijn collega's steeds gecompliceerdere berekeningen willen onderzoeken met behulp van het siliciumstraalapparaat, met de hoop kleine en energiezuinige sensoren en robotcontrollers te ontwikkelen.