Memristor-hjerne kan revolutionere kunstig intelligens

Vores hjerne er en helt fantastisk computer. Den er uhyre effektiv og kompakt, og den bruger ikke særlig meget energi.

I årtier har forskere da også forsøgt at bygge en kunstig hjerne, eller i hvert fald en computer, der fungerer efter de samme principper som hjernen.

Hjernens måde at arbejde på har inspireret til såkaldte neurale netværk, som effektivt kan løse opgaver, som traditionelle computere ellers er ret dårlige til - for eksempel at se, hvad et billede forestiller, forstå det talte sprog eller styre en robotarm, der skal kunne bevæge sig optimalt i forhold til omgivelserne.

Nu er det lykkedes forskere fra University of California at fremstille et lille neuralt netværk baseret på en ny type elektronisk komponent kaldet en memristor. Det fremgår af en artikel i det videnskabelige tidsskrift Nature. Artiklen er også frit til rådighed på preprint-serveren ArXiv.

Memristorer minder om synapser

Teknologien kan betyde et gennembrud for computeres evne til at simulere hjernen - og dermed et gennembrud for kunstig intelligens.

En memristor er en elektrisk modstand, der har en form for hukommelse. Størrelsen af modstanden afhænger nemlig af, hvor meget strøm, der historisk er løbet igennem den.

På den måde fungerer memristorer omtrent som forbindelserne mellem hjerneceller - synapserne - som bliver forstærket, når de bliver brugt, og svinder hen, når de ikke gør det. Derfor er memristorer perfekte til neurale netværk.

Ikke kun 0 og 1

Pointen er, at memristor-netværk ikke kun opererer med værdierne 0 og 1, som man ellers kender det fra de digitale computere, forklarer Thomas Bolander, der er lektor på Institut for Matematik og Computer Science på Danmarks Tekniske Universitet, og som har forsket i kunstig intelligens i mange år:

»I stedet for kun nuller og ettaller kan man også have alle mulige værdier ind imellem. På den måde ligner en memristor en synapse i hjernen. Hjernen er et analogt kredsløb, så hvis den skal efterlignes, skal det være med en analog computer.«

»Netop fordi hjernen arbejder analogt, kan det ikke nødvendigvis lade sig gøre at simulere den på en almindelig computer , hvor alting skal defineres med nuller og ettaller. Så der er en potentiel mulighed for, at dette går ud over, hvad man kan med traditionel hardware.«

God til at genkende bogstaver

Neurale netværk skal ikke programmeres på samme måde, som man traditionelt programmerer computere. Man behøver ikke specificere præcist, hvad de skal gøre hvornår. I stedet skal de neurale netværk oplæres, lige som når man lærer af sine erfaringer.

Det lille memristor-netværk lærte hurtigt at skelne mellem simple repræsentationer af tre forskellige bogstaver, også selv om der var støj i billedet. Forskerne kunne altså vise, at et neuralt netværk af den type kan bruges til at kategorisere billeder - også selv om de ikke er helt ens, men blot ligner hinanden.

Man kan godt få en almindelig computer til at opføre sig omtrent som en lille hjerne ved at modellere neuroner (hjerneceller) i software. I 2012 udviklede canadiske forskere for eksempel systemet Spaun med 2,5 millioner virtuelle neuroner.

Regner og husker samtidig

Problemet er bare, at det kræver masser af computerkraft at simulere neuronerne på den måde, og Spaun er et par timer om at udføre en opgave, der ville tage et sekund for en tilsvarende hjerne med rigtige neuroner.

Et memristor-baseret netværk er helt anderledes, fordi den samme komponent så at sige klarer både beregninger og hukommelse, og fordi memristorer altså er analoge komponenter, hvor modstanden kan have alle mulige værdier.

Med memristorer er det med andre ord muligt at bygge effektive neurale netværk i hardware i stedet for at simulere dem med software, og så kommer der for alvor fart på.

Perfekt til mønstergenkendelse

Med indbyggede memristor-baserede neurale netværk kan computere - og dermed mobiltelefoner og robotter - bliver langt bedre til at bearbejde input fra vores analoge verden, ikke mindst fra videokameraer og mikrofoner, hvor det gælder om hurtigt at identificere genstande eller lyde.

»Det er altid en fordel med specialdesignet hardware. Så kan man bruge de neurale netværk til det, de er rigtig gode til, nemlig sådan noget som mønstergenkendelse,« siger Thomas Bolander og fortsætter:

»De neurale netværk kan bearbejde lyd og billeder, mens man kan bruge andre datalogiske metoder til sådan noget som planlægning og logisk ræsonnement, som de neurale netværk har vist sig ret dårlige til. Det gælder om at kombinere flere teknologier.«

Langt til en menneskehjerne

I det nye forskningsresultat var 144 memristorer forbundet på en måde, så der skulle to memristorer til at simulere en synapse. Computeren havde altså kun 72 kunstige synapser at gøre godt med, så det var begrænset, hvad den kunne udrette.

På længere sigt kan det blive muligt at skabe lærenemme computere med en mere avanceret form for kunstig intelligens, men der er et godt stykke vej til at fremstille et neuralt netværk, der i kompleksitet komme i nærheden af den menneskelige hjerne.

Sådan en rummer nemlig omkring 86 milliarder hjerneceller, som er forbundet på kryds og tværs gennem synapser, som der er op imod en million milliarder af.

Forskerne regner med, at memristor-netværket kan blive meget mere kompakt end den første prototype, så der kan være 10 milliarder synapser på en kvadratcentimeter. Med flere lag af neurale netværk kan tætheden af kunstige synapser nærme sig den, man kender fra hjernen.

Størrelsen er ikke alt

Men selv om det bliver muligt at fremstille en kunstig hjerne med lige så mange neuroner og synapser som vores egen, fører det ikke nødvendigvis til en intelligens som vores, forklarer Thomas Bolander:

»Man er efterhånden gået væk fra ideen om, at neurale netværk bliver mere og mere intelligente, jo større de bliver. Engang mente mange, at hvis bare de blev store nok, så ville de udvikle en form for bevidsthed, men det er ikke kun et spørgsmål om, at netværket er stort nok.«

»Det er helt afgørende, hvordan det neurale netværk præcist er skruet sammen. Hvis vi vil have en computer, der kan det samme som mennesker, så skal vi allerførst forstå, hvordan det menneskelige neurale netværk er skruet sammen - hvilket hjerneforskere da også arbejder hårdt på at finde ud af.«

»Desuden skal det neurale netværk oplæres ordentligt. Oplæringsfasen er jo meget lang for mennesker. Den varer fra man bliver født til man er voksen. Et kunstigt neuralt netværk skulle givetvis igennem det samme,« slutter Thomas Bolander.