Nieuw onderzoek dat kunstmatig een zeldzame vorm van materie creëert die bekend staat als spinglas, zou een nieuw paradigma in kunstmatige intelligentie kunnen aanwakkeren door algoritmen direct als fysieke hardware te laten afdrukken. De ongebruikelijke eigenschappen van spinglas maken een vorm van AI mogelijk die objecten van gedeeltelijke afbeeldingen kan herkennen, net zoals de hersenen dat doen en veelbelovend zijn voor low-power computing, naast andere intrigerende mogelijkheden.

"Ons werk heeft de eerste experimentele realisatie bereikt van een kunstmatig spinglas bestaande uit nanomagneten die zijn gerangschikt om een ​​neuraal netwerk te repliceren", zegt Michael Saccone, een postdoctoraal onderzoeker in theoretische natuurkunde aan het Los Alamos National Laboratory en hoofdauteur van het nieuwe artikel in Natuurfysica . "Onze paper legt de basis die we nodig hebben om deze fysieke systemen praktisch te gebruiken."

Spin-brillen zijn een manier om wiskundig over materiële structuur na te denken. Door voor het eerst vrij te zijn om de interactie binnen deze systemen aan te passen met behulp van elektronenstraallithografie, is het mogelijk om een ​​verscheidenheid aan computerproblemen in spin-glass-netwerken weer te geven, zei Saccone.

Op het snijvlak van technische materialen en berekeningen zijn spin-glassystemen een soort ongeordend systeem van nanomagneten die voortkomen uit willekeurige interacties en competitie tussen twee soorten magnetische orde in het materiaal. Ze vertonen 'frustratie', wat betekent dat ze zich niet vestigen in een uniform geordende configuratie wanneer hun temperatuur daalt, en ze hebben verschillende thermodynamische en dynamische eigenschappen die kunnen worden benut voor computertoepassingen.

"Theoretische modellen die spin-brillen beschrijven, worden veel gebruikt in andere complexe systemen, zoals die welke de hersenfunctie, foutcorrigerende codes of de dynamiek van de aandelenmarkt beschrijven," zei Saccone. "Deze brede interesse in spinglazen geeft een sterke motivatie om een ​​kunstmatig spinglas te genereren."

Het onderzoeksteam combineerde theoretisch en experimenteel werk om het kunstmatige spinglas te fabriceren en te observeren als een proof-of-principle Hopfield neuraal netwerk, dat wiskundig associatief geheugen modelleert om de wanorde van de kunstmatige spinsystemen te begeleiden.

Spinglas en Hopfield-netwerken hebben zich symbiotisch ontwikkeld, waarbij het ene veld zich voedt met het andere. Associatief geheugen, of het nu in een Hopfield-netwerk of andere vormen van neurale netwerken is, verbindt twee of meer geheugenpatronen met betrekking tot een object. Als slechts één herinnering wordt geactiveerd, bijvoorbeeld door een gedeeltelijke afbeelding van een gezicht als invoer te ontvangen, kan het netwerk het volledige gezicht oproepen. In tegenstelling tot meer traditionele algoritmen, vereist associatief geheugen geen perfect identiek scenario om een ​​geheugen te identificeren.

De herinneringen van deze netwerken komen overeen met de grondtoestanden van een spinsysteem en worden minder gestoord door ruis dan andere neurale netwerken.

Het onderzoek door Saccone en het team bevestigde dat het materiaal een spinglas was, bewijs dat hen in staat zal stellen de eigenschappen van het systeem te beschrijven en hoe het informatie verwerkt. AI-algoritmen die in spinglas zijn ontwikkeld, zouden "rommeliger" zijn dan traditionele algoritmen, zei Saccone, maar ook flexibeler voor sommige AI-toepassingen. + Verder verkennen

Herinneringen en energielandschappen van magnetische glasachtige toestanden