Ny oppdagelse baner vei for flere hjernelignende datamaskiner

Datamaskiner som kan håndtere avanserte kognitive oppgaver som å gjenkjenne språk og bilder – eller som har overmenneskelige sjakkferdigheter – har gjort stor innvirkning de siste årene takket være AI-teknologier. Samtidig er den menneskelige hjernen så langt overlegen i forhold til hvor effektivt og energieffektivt oppgavene kan utføres.

– Å finne nye måter å gjøre beregninger på som ligner på hjernens energieffektive prosesser har vært et stort forskningsmål i flere tiår. Kognitive oppgaver som bilde- og stemmegjenkjenning krever mye datakraft, og mer energieffektive løsninger er spesielt viktige i mobile applikasjoner som mobiltelefoner, droner eller satellitter, sier Johan Åkerman, professor i anvendt spinnelektronikk ved Gøteborgs universitet. .

I samarbeid med en forskergruppe ved Tohoko University har han ledet en studie som nå har tatt et viktig steg på veien. I studien, som er publisert i det høyt rangerte tidsskriftet Nature Materials, har forskerne for første gang klart å koble sammen de to hovedverktøyene som er tilgjengelige for de avanserte beregningene: Oscillatornettverk og memristorer.

Johan Åkerman beskriver oscillatorer som oscillerende kretser som kan gjøre beregninger, og som kan sammenlignes med menneskelige nerveceller. Memristorer er programmerbare motstander som også kan utføre beregninger og i tillegg har innebygget minne, og som dermed kan sammenlignes med minneceller. Nå som forskerne har klart å integrere de to, er mye vunnet.

– Dette er et viktig gjennombrudd fordi vi viser at det er mulig å kombinere en minnefunksjon med en regnefunksjon i samme komponent. Disse komponentene fungerer mer som de energismarte nevrale nettverkene i hjernen, og kan derfor bli viktige byggesteiner i fremtidige, mer hjernelignende datamaskiner, sier han.

Ifølge Johan Åkerman åpner funnet opp for raskere, smidigere og mindre energikrevende teknologi på en rekke områder. Han understreker at det er en stor fordel at forskergruppen har lykkes med å produsere komponentene i ekstremt små formater: Hundrevis av komponenter kan plasseres på en overflate som tilsvarer størrelsen på en bakterie. Dette kan være spesielt viktig for mindre applikasjoner som mobiltelefoner.

– Mange funksjoner i mobiltelefoner ville blitt tilrettelagt med mer energieffektive datafunksjoner. Et eksempel er digitale assistenter som Siri eller Google. I dag foregår all håndtering via servere fordi beregningene krever for mye energi til mobilenes små formater. Hvis beregningene i stedet kan gjøres lokalt, direkte i mobilen, kan de gjøres raskere og enklere når det ikke er behov for tilkobling til servere, sier han.

Han nevner selvkjørende biler og droner som andre eksempler der en mer energieffektiv datakapasitet ville lede utviklingen fremover.

– Jo mer energieffektivt det er mulig å gjøre kognitive beregninger, jo flere applikasjoner åpner seg. Derfor har studien vår virkelig potensial til å flytte dette området videre, sier han.

Om forskningen
Studien ble ledet av professor Johan Åkerman ved Gøteborgs universitet, som også er seniorforfatter av artikkelen. Førsteforfatter er Mohammad Zahedinejad, som tok doktorgraden fra Universitetet i Gøteborg i 2019. Studien er utført i samarbeid med en forskergruppe ved Tohoko University i Japan innenfor rammen av TOPSPIN-prosjektet, som er finansiert av det europeiske forskningsrådet, ERC.

Om forskningsområdet
Neuromorphic computing er et AI-tilknyttet forskningsområde hvor målet er å imitere hvordan hjernens nevrale nettverk fungerer. Forskningen bruker nye algoritmiske tilnærminger som etterligner hvordan den menneskelige hjernen samhandler med verden for å levere kapasitet nærmere menneskelig oppfatning.