Teknoloji

Yapay Zekada Devrim: Yeni Beyin Benzeri Transistör İnsan Zekasını Taklit Ediyor

Getting your Trinity Audio player ready...

Yapay Zekada Devrim: Yeni Beyin Benzeri Transistör İnsan Zekasını Taklit Ediyor.

Araştırmacılar, insan beyninin entegre işleme ve hafıza yeteneklerini taklit eden yeni bir sinaptik transistör geliştirdiler. Bu cihaz oda sıcaklığında çalışıyor, enerji tasarruflu ve ilişkisel öğrenme gibi karmaşık bilişsel görevleri gerçekleştirebiliyor, bu da onu yapay zeka alanında önemli bir ilerleme haline getiriyor.

Bir transistör, oda sıcaklığında enerji açısından verimli ilişkisel öğrenmeyi gerçekleştirir. Northwestern Üniversitesi , Boston College ve Massachusetts Teknoloji Enstitüsü’nden (MIT) oluşan bir araştırmacı ekibi, insan beyninin karmaşık işleyişinden yararlanarak yenilikçi bir sinaptik transistör yarattı. Bu gelişmiş cihaz, insan beyninin çok işlevli doğasını yansıtarak bilgiyi yalnızca işlemekle kalmıyor, aynı zamanda saklıyor.

Ekip tarafından yapılan son deneyler, bu transistörün verileri kategorilere ayırmak için basit makine öğrenimi görevlerinin ötesine geçtiğini ve ilişkisel öğrenme gerçekleştirebildiğini gösterdi. Her ne kadar önceki çalışmalar beyin benzeri bilgi işlem cihazları geliştirmek için benzer stratejilerden yararlanmış olsa da, bu transistörler kriyojenik sıcaklıkların dışında çalışamaz. Yeni cihaz ise aksine oda sıcaklıklarında stabil kalıyor. Aynı zamanda yüksek hızlarda çalışır, çok az enerji tüketir ve güç kesildiğinde bile depolanan bilgileri korur; bu da onu gerçek dünya uygulamaları için ideal kılar. Çalışma yakın zamanda Nature dergisinde yayınlandı .

Beynin Verimliliğini Taklit Etmek Araştırmayı yöneten Northwestern’den Mark C. Hersam, “Beyin, dijital bilgisayardan temelde farklı bir mimariye sahip” dedi. “Dijital bir bilgisayarda veriler, mikroişlemci ile bellek arasında ileri geri hareket eder, bu da çok fazla enerji tüketir ve aynı anda birden fazla görevi gerçekleştirmeye çalışırken bir darboğaz yaratır. Öte yandan, beyinde hafıza ve bilgi işleme aynı yerde bulunur ve tamamen bütünleşir, bu da çok daha yüksek enerji verimliliği sağlar. Sinaptik transistörümüz de beyni daha sadık bir şekilde taklit etmek için benzer şekilde eş zamanlı hafıza ve bilgi işleme işlevselliğini sağlıyor.” Hersam, Northwestern McCormick Mühendislik Okulu’nda Malzeme Bilimi ve Mühendisliği alanında Walter P. Murphy Profesörüdür. Aynı zamanda malzeme bilimi ve mühendisliği bölümünün başkanı, Malzeme Araştırma Bilimi ve Mühendisliği Merkezi’nin direktörü ve Uluslararası Nanoteknoloji Enstitüsü üyesidir. Hersam, araştırmayı Boston College’dan Qiong Ma ve MIT’den Pablo Jarillo-Herrero ile birlikte yönetti .

Gelişimin Arkasındaki İtici Güçler Yapay zekadaki (AI) son gelişmeler, araştırmacıları insan beynine daha çok benzeyen bilgisayarlar geliştirmeye motive etti. Geleneksel dijital bilgi işlem sistemlerinde ayrı işlem ve depolama birimleri bulunur ve bu da veri yoğun görevlerin büyük miktarlarda enerji tüketmesine neden olur. Akıllı cihazların sürekli olarak büyük miktarda veri toplamasıyla araştırmacılar, giderek artan miktarda güç tüketmeden tüm bunları işlemenin yeni yollarını keşfetmeye çalışıyor. Şu anda bellek direnci veya “memristör”, birleşik işleme ve bellek işlevlerini gerçekleştirebilen en gelişmiş teknolojidir. Ancak memristörler hala enerji maliyetli geçişlerden muzdariptir. Hersam, “On yıllardır elektronikteki paradigma, her şeyi transistörlerden oluşturmak ve aynı silikon mimarisini kullanmaktı” dedi. “Giderek daha fazla transistörün entegre devrelere paketlenmesiyle önemli ilerleme kaydedildi. Bu stratejinin başarısını inkar edemezsiniz, ancak bu, özellikle dijital hesaplamanın şebekeyi aşma yolunda ilerlediği mevcut büyük veri çağında, yüksek güç tüketimi pahasına geliyor. Özellikle yapay zeka ve makine öğrenimi görevleri için bilgi işlem donanımını yeniden düşünmeliyiz.”

Moiré Desenlerini Kullanan Yenilikçi Tasarım Bu paradigmayı yeniden düşünmek için Hersam ve ekibi, iki desen üst üste yerleştirildiğinde ortaya çıkan bir tür geometrik tasarım olan hareli desenlerin fiziğindeki yeni gelişmeleri keşfetti. İki boyutlu malzemeler üst üste dizildiğinde tek başına tek katmanda bulunmayan yeni özellikler ortaya çıkar. Ve bu katmanlar hareli bir desen oluşturacak şekilde büküldüğünde, elektronik özelliklerin benzeri görülmemiş bir şekilde ayarlanması mümkün hale gelir. Yeni cihaz için araştırmacılar iki farklı türde atomik olarak ince malzemeyi birleştirdi: iki katmanlı grafen ve altıgen bor nitrür. Malzemeler istiflendiğinde ve bilinçli olarak büküldüğünde hareli bir desen oluşturuyordu. Araştırmacılar, bir katmanı diğerine göre döndürerek, yalnızca atomik ölçekte boyutlarla ayrılmış olsalar bile, her grafen katmanında farklı elektronik özellikler elde edebildiler. Araştırmacılar, doğru büküm seçimiyle oda sıcaklığında nöromorfik işlevsellik için hareli fizikten yararlandılar. Hersam, “Yeni bir tasarım parametresi olarak büküm ile permütasyonların sayısı çok fazla” dedi. “Grafen ve altıgen bor nitrür yapısal olarak çok benzer ancak olağanüstü güçlü hareli efektler elde etmenizi sağlayacak kadar farklı.”

Gelişmiş Yetenekler ve Testler Hersam ve ekibi, transistörü test etmek için onu benzer ama aynı olmayan kalıpları tanıyacak şekilde eğitti. Bu ayın başlarında Hersam, verileri enerji açısından verimli bir şekilde analiz edip kategorize edebilen yeni bir nanoelektronik cihazı tanıttı , ancak yeni sinaptik transistörü makine öğrenimini ve yapay zekayı bir adım daha ileri taşıyor. Hersam, “Yapay zekanın insan düşüncesini taklit etmesi amaçlanıyorsa, en düşük seviyeli görevlerden biri verileri sınıflandırmak olacaktır, bu da basitçe kutulara ayırmak anlamına gelir” dedi. “Amacımız yapay zeka teknolojisini daha üst düzey düşünme yönünde ilerletmek.

Gerçek dünya koşulları çoğu zaman mevcut yapay zeka algoritmalarının kaldırabileceğinden daha karmaşıktır, bu nedenle gelişmiş yeteneklerini doğrulamak için yeni cihazlarımızı daha karmaşık koşullar altında test ettik.” İlk olarak araştırmacılar cihaza bir desen gösterdi: 000 (arka arkaya üç sıfır). Daha sonra yapay zekadan 111 veya 101 gibi benzer kalıpları tanımlamasını istediler. Hersam, “Eğer onu 000’i tespit edecek şekilde eğitirsek ve sonra ona 111 ve 101 verirsek, 111’in 000’e 101’den daha benzer olduğunu bilir” diye açıkladı. “000 ile 111 tam olarak aynı değil ama ikisi de art arda üç rakam. Benzerliğin, ilişkisel öğrenme olarak bilinen daha üst düzey bir biliş biçimi olduğunun bilincindeyiz.” Deneylerde, yeni sinaptik transistör benzer kalıpları başarıyla tanıdı ve ilişkisel hafızasını sergiledi. Araştırmacılar, eksik kalıplar vermek gibi eğri toplar attığında bile, ilişkisel öğrenmeyi başarılı bir şekilde gösterdi. Hersam, “Mevcut yapay zekanın karıştırılması kolay olabilir ve bu da belirli bağlamlarda büyük sorunlara neden olabilir” dedi. “Sürücüsüz bir araç kullandığınızı ve hava koşullarının kötüleştiğini düşünün. Araç, daha karmaşık sensör verilerini bir insan sürücünün yapabileceği kadar iyi yorumlayamayabilir. Ancak transistörümüze kusurlu girdi vermiş olsak bile, yine de doğru yanıtı belirleyebilirdi.

Yapay Zekanın Aşil Topuğu: Yeni Araştırma Temel Zayıflıkları Belirliyor.

Kopenhag Üniversitesi araştırmacıları, tamamen kararlı Makine Öğrenimi algoritmalarının karmaşık problemler için ulaşılamaz olduğunu kanıtlayarak, kapsamlı testlere ve yapay zeka sınırlamalarına ilişkin farkındalığa duyulan kritik ihtiyacı vurguladı.

Kopenhag Üniversitesi’nden araştırmacılar, basit problemlerin ötesinde yapay zeka için her zaman kararlı olacak algoritmalar geliştirmenin imkansız olduğunu matematiksel olarak kanıtlayan dünyada ilk kişi oldu. ChatGPT ve benzeri makine öğrenimi tabanlı teknolojiler yükselişte. Ancak en gelişmiş algoritmalar bile sınırlamalarla karşı karşıyadır. Kopenhag Üniversitesi’nden araştırmacılar , temel problemlerin ötesinde her zaman kararlı olan yapay zeka algoritmaları geliştirmenin imkansız olduğunu matematiksel olarak gösteren çığır açıcı bir keşif yaptılar. Bu araştırma, makine işleme ile insan zekası arasındaki doğal farklılıkları vurgulayarak, algoritmalar için geliştirilmiş test protokollerinin önünü açabilir. Sonucu açıklayan bilimsel makale, teorik bilgisayar bilimi alanındaki önde gelen uluslararası konferanslardan birinde yayınlanmak üzere onaylandı.

Makineler tıbbi tarama görüntülerini doktorlardan daha doğru yorumluyor, yabancı dilleri çeviriyor ve yakında arabaları insanlardan daha güvenli bir şekilde kullanabilecekler. Ancak en iyi algoritmaların bile zayıf yönleri vardır. Kopenhag Üniversitesi Bilgisayar Bilimleri Bölümü’ndeki bir araştırma ekibi bunları ortaya çıkarmaya çalışıyor. Örnek olarak yol işaretlerini okuyan otomatikleştirilmiş bir aracı ele alalım. Birisi tabelaya bir çıkartma yapıştırırsa, bu durum bir insan sürücünün dikkatini dağıtmayacaktır. Ancak işaretin artık üzerinde eğitim verildiği işaretlerden farklı olması nedeniyle bir makine kolayca ertelenebilir. “Girdi biraz değiştirilirse çıktının hemen hemen aynı kalması açısından algoritmaların kararlı olmasını istiyoruz. Gerçek hayat, insanların görmezden gelmeye alışık olduğu her türlü gürültüyü içerirken, makinelerin kafası karışabilir” diyor grubun başındaki Profesör Amir Yehudayoff.

Zayıflıkları tartışmak için bir dil Dünyada bir ilk olan grup, diğer ülkelerden araştırmacılarla birlikte, basit problemler dışında Makine Öğrenimi için her zaman kararlı olacak algoritmalar oluşturmanın mümkün olmadığını matematiksel olarak kanıtladı. Sonucu açıklayan bilimsel makale, teorik bilgisayar bilimi üzerine önde gelen uluslararası konferanslardan biri olan Bilgisayar Biliminin Temelleri’nde (FOCS) yayınlanmak üzere onaylandı. “Doğrudan otonom araç uygulamaları üzerinde çalışmadığımızı belirtmek isterim. Yine de bu, algoritmaların her zaman istikrarlı olamayacak kadar karmaşık bir sorun gibi görünüyor,” diyor Amir Yehudayoff ve bunun otomatikleştirilmiş arabaların geliştirilmesiyle ilgili olarak büyük sonuçlar doğuracağı anlamına gelmediğini de ekliyor: “Algoritma yalnızca çok nadir durumlarda hata veriyorsa bu kabul edilebilir. Ancak çok çeşitli koşullar altında bunu yaparsa bu kötü bir haberdir.” Bilimsel makale, endüstri tarafından algoritmalarındaki hataları tespit etmek için uygulanamaz. Profesör, niyetin bu olmadığını şöyle açıklıyor: “Makine Öğrenimi algoritmalarındaki zayıflıkları tartışmak için bir dil geliştiriyoruz. Bu, algoritmaların nasıl test edilmesi gerektiğini açıklayan kılavuzların geliştirilmesine yol açabilir. Ve uzun vadede bu, yine daha iyi ve daha kararlı algoritmaların geliştirilmesine yol açabilir.” Sezgiden matematiğe Olası bir uygulama, dijital gizliliğin korunmasına yönelik algoritmaların test edilmesi olabilir. ”Bazı şirketler gizliliğin korunması için kesinlikle güvenli bir çözüm geliştirdiklerini iddia edebilir. İlk olarak, metodolojimiz çözümün tamamen güvenli olamayacağını tespit etmeye yardımcı olabilir. İkincisi, zayıf noktaları tespit edebilecek” diyor Amir Yehudayoff. Her şeyden önce bilimsel makale teoriye katkıda bulunur. Özellikle matematiksel içeriğin çığır açıcı olduğunu ekliyor: “Kararlı bir algoritmanın az miktarda giriş gürültüsüne maruz kaldığında neredeyse eskisi kadar iyi çalışması gerektiğini sezgisel olarak anlıyoruz. Tıpkı üzerinde çıkartma bulunan yol tabelası gibi. Ancak teorik bilgisayar bilimcileri olarak kesin bir tanıma ihtiyacımız var. Problemi matematik diliyle tanımlayabilmemiz gerekir. Eğer algoritmanın kararlı olduğunu kabul edeceksek, algoritmanın tam olarak ne kadar gürültüye dayanabilmesi ve çıktının orijinal çıktıya ne kadar yakın olması gerekir? İşte buna bir cevap önerdik.”

Sınırlamaları akılda tutmak önemlidir Bilimsel makale teorik bilgisayar bilimi dünyasındaki meslektaşlarından büyük ilgi gördü, ancak teknoloji endüstrisinden ilgi görmedi. En azından henüz değil. Amir Yehudayoff, “Yeni bir teorik gelişme ile uygulamalarda çalışan insanların ilgisi arasında her zaman biraz gecikme beklemelisiniz” diyor ve gülümseyerek ekliyor: “Ve bazı teorik gelişmeler sonsuza kadar fark edilmeden kalacak.” Ancak bu durumda bunun olacağını görmüyor: “Makine Öğrenimi hızla ilerlemeye devam ediyor ve gerçek dünyada çok başarılı olan çözümlerin bile hala sınırlamaları olduğunu unutmamak önemli. Makineler bazen düşünebiliyor gibi görünebilir ama sonuçta insan zekasına sahip değiller. Bunu akılda tutmak önemlidir.”

Yapay Zeka İnsan Gibi Düşünebilir mi?

Athanassios S. Fokas, tüm ilerlemelere rağmen yapay zekanın hâlâ insan düşüncesiyle eşleşmekten uzak olduğunu, çünkü duygular, yaratıcılık ve bilinçdışı süreçler de dahil olmak üzere insan bilişinin karmaşıklığını tam olarak kopyalama yeteneğinden yoksun olduğunu savunuyor.

Yakın zamanda PNAS Nexus dergisinde yayınlanan yeni bir bakış açısıyla Athanassios S. Fokas güncel bir soruyu araştırıyor: yapay zekanın (AI) insanın bilişsel yeteneklerine ulaşma ve muhtemelen bunları aşma potansiyeli. Tarihsel olarak odak noktası, bilgisayar modellerinin Go’da zafer kazanmak veya insanlarla olanlardan ayırt edilemeyen sohbetlere katılmak gibi karmaşık görevlerdeki yeterliliklerine dayalı olarak değerlendirilmesiydi. Fokas’a göre bu yaklaşımın önemli bir metodolojik sınırlaması var. Herhangi birinin programın bir insan kadar iyi düşündüğünü iddia edebilmesi için herhangi bir yapay zekanın akla gelebilecek her insan hedefi üzerinde test edilmesi gerekir. Bu nedenle alternatif metodolojilere ihtiyaç vardır.

Yapay Zekanın Sınırlamaları Ayrıca “karmaşık hedef” odağı insan düşüncesinin duygu, öznel deneyim veya anlayış gibi özelliklerini yakalamaz. Dahası, yapay zeka tam anlamıyla yaratıcı değildir: Yapay zeka, hiçbir zaman açık hedefler olmayan yeni sonuçlara ulaşmak için metafor ve hayal gücü gibi yöntemleri kullanarak birbirinden tamamen farklı konular arasında bağlantı kuramaz. Yapay zeka modelleri genellikle yapay sinir ağları olarak kavramsallaştırılıyor ancak insan düşüncesi nöronlarla sınırlı değil; Düşünme tüm vücudu ve nöron olmayan glia hücreleri gibi birçok beyin hücresini içerir. Fokas, hesaplamaların bilinçli düşüncenin küçük bir bölümünü yansıttığını ve bilinçli düşüncenin kendisinin insan bilişinin yalnızca bir parçası olduğunu savunuyor. Perde arkasında muazzam miktarda bilinçsiz çalışma yapılıyor. Fokas, yapay zekanın düşünce açısından insanları geride bırakmaktan çok uzak olduğu sonucuna varıyor.

Üretken Yapay Zeka ile İnsan Belleğinin ve Hayal Gücünün Şifresini Çözmek.

 

UCL araştırmacıları, beyin fonksiyonlarını modellemek için üretken yapay zekayı kullanarak anıların nasıl oluştuğunu, yeniden oynatıldığını ve hayal gücü için nasıl kullanıldığını ortaya çıkardı. Çalışma, hafızanın yeniden yapıcı ve öngörücü doğasını vurgulayarak insan bilişi üzerine yeni bakış açıları sunuyor.

Yapay zeka modellerini kullanan bir UCL çalışması, beynin geçmiş olayları nasıl yeniden yapılandırdığını ve yeni senaryoları nasıl hayal ettiğini göstererek hafıza anlayışımızı geliştiriyor. UCL araştırmacıları tarafından yapılan yeni bir araştırmaya göre, üretken yapay zekadaki son gelişmeler, anıların dünya hakkında bilgi edinmemize, eski deneyimleri yeniden yaşamamıza ve hayal gücü ve planlama için tamamen yeni deneyimler oluşturmamıza nasıl olanak sağladığını açıklamaya yardımcı oluyor.

Beyin Fonksiyonlarını Taklit Eden Yapay Zeka Modelleri Nature Human Behavior dergisinde yayınlanan ve Wellcome tarafından finanse edilen çalışma , beyindeki sinir ağlarının bir dizi olaydan nasıl öğrendiğini ve hatırladığını simüle etmek için (üretken sinir ağı olarak bilinen) bir yapay zeka hesaplama modeli kullanıyor (her biri basit bir sahneyle temsil ediliyor). ). Model, bunların nasıl etkileşime girdiğini araştırmak için hipokampus ve neokorteksi temsil eden ağları içeriyordu. Beynin her iki bölümünün hafıza, hayal gücü ve planlama sırasında birlikte çalıştığı bilinmektedir. Başyazar, doktora öğrencisi Eleanor Spens (UCL Bilişsel Sinirbilim Enstitüsü) şunları söyledi: “Yapay zekada kullanılan üretken ağlardaki son gelişmeler, hem belirli bir deneyimi hatırlayabilmemiz hem de neyin yeni olduğunu esnek bir şekilde hayal edebilmemiz için deneyimlerden bilginin nasıl elde edilebileceğini gösteriyor. gibi deneyimler olabilir. “Hatırlamayı, geçmişi kavramlara dayalı olarak hayal etmek, saklanan bazı ayrıntıları ne olabileceğine dair beklentilerimizle birleştirmek olarak düşünüyoruz.”

Hafıza Tekrarı ve Tahmini İnsanların hayatta kalmak için (örneğin tehlikeden kaçınmak veya yiyecek bulmak için) tahminlerde bulunması gerekir ve yapay zeka ağları, dinlenirken anıları tekrar oynattığımızda beynimizin bunları gerçekleştirmek için kullanılabilecek geçmiş deneyimlerden kalıpları almasına nasıl yardımcı olduğunu öne sürüyor. tahminler. Araştırmacılar modele 10.000 basit sahne görüntüsü oynattı. Hipokampal ağ, her sahneyi deneyimlendiği şekliyle hızla kodladı. Daha sonra neokorteksteki üretken sinir ağını eğitmek için sahneleri tekrar tekrar oynattı. Neokortikal ağ, her sahneyi temsil eden binlerce giriş nöronunun (görsel bilgiyi alan nöronlar) aktivitesini daha küçük ara nöron katmanlarından (en küçüğü yalnızca 20 nöron içerir) geçirmeyi ve sahneleri binlerce aktivite modeli olarak yeniden yaratmayı öğrendi. çıkış nöronlarının (görsel bilgiyi tahmin eden nöronlar) sayısı.

Çalışmanın Etkileri Bu, neokortikal ağın, anlamlarını yakalayan sahnelerin son derece verimli “kavramsal” temsillerini öğrenmesine neden oldu (örneğin, duvarların ve nesnelerin düzenlemeleri), hem eski sahnelerin yeniden yaratılmasına hem de tamamen yenilerinin oluşturulmasına olanak sağladı. Sonuç olarak, hipokampus, her bir ayrıntıyı kodlamak yerine, kendisine sunulan yeni sahnelerin anlamını kodlayabildi; bu da onun, kaynakları neokorteksin yeniden üretemediği yeni nesne türleri gibi benzersiz özellikleri kodlamaya odaklamasına olanak sağladı. Model, neokorteksin yavaş yavaş kavramsal bilgiyi nasıl edindiğini ve bunun hipokampusla birlikte olayları zihnimizde yeniden yapılandırarak nasıl “yeniden deneyimlememize” olanak sağladığını açıklıyor. Model aynı zamanda hayal gücü ve geleceğe yönelik planlama sırasında yeni olayların nasıl üretilebileceğini ve mevcut anıların neden sıklıkla “öz benzeri” çarpıklıklar içerdiğini (bu çarpıtmalarda benzersiz özelliklerin genelleştirildiği ve önceki olaylardaki özelliklere daha çok benzer şekilde hatırlandığı) açıklıyor.

Kıdemli yazar Profesör Neil Burgess (UCL Bilişsel Sinirbilim Enstitüsü ve UCL Queen Square Nöroloji Enstitüsü) şöyle açıkladı: “Anıların geçmişin doğru kayıtları olmaktan ziyade yeniden yapılandırılma şekli, bize anıların anlamının veya özünün nasıl olduğunu gösteriyor. bir deneyim benzersiz ayrıntılarla yeniden birleştirilir ve bunun, olayları nasıl hatırladığımız konusunda önyargılara nasıl yol açabileceği.

İlgili Makaleler

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Başa dön tuşu