Onderzoekers van de Northwestern University, Boston College en MIT hebben een revolutionaire synaptische transistor onthuld, die een grote sprong voorwaarts betekent op het gebied van kunstmatige intelligentie. Het apparaat bootst de menselijke hersenfunctie na door associatief leren uit te voeren en patronen te herkennen onder onnauwkeurige omstandigheden, en dat alles bij kamertemperatuur. Het onderzoek, dat gepubliceerd is in Nature, introduceert een technologie die AI zou kunnen transformeren door denken op een hoger niveau mogelijk te maken en het energieverbruik drastisch te verlagen.
Waarom je dit moet weten
Nu AI-toepassingen snel toenemen, zijn er ontwrichtende technologieën nodig om deze ontwikkelingen te stimuleren. Daarom zijn paradigmaverschuivende technologieën zoals die van de Northwestern University het waard om in de gaten te houden.
De toekomst van kunstmatige intelligentie opnieuw vormgeven
Op het gebied van kunstmatige intelligentie breekt een nieuw tijdperk aan met de komst van een synaptische transistor die de operationele efficiëntie van het menselijk brein weerspiegelt. De transistor kan niet alleen eenvoudige taken voor machinaal leren aan, maar is ook bedreven in associatief leren, waardoor hij zich onderscheidt van zijn voorgangers.
Conventionele computersystemen, met hun afzonderlijke verwerkings- en opslageenheden, hebben te maken met een knelpunt dat bekend staat als het ‘Von Neumann’-knelpunt. Deze scheiding leidt tot overmatig energieverbruik tijdens gegevensintensieve bewerkingen. De nieuw ontwikkelde synaptische transistor overwint deze beperkingen door geheugen en verwerkingscapaciteiten te integreren. Deze integratie is essentieel voor het vergemakkelijken van de complexe taken die gepaard gaan met kunstmatige intelligentie en machinaal leren.
Een sprong in technologie en efficiëntie
Mark C. Hersam, die het onderzoek mede leidde, benadrukt dat de zoektocht naar grotere efficiëntie in computerhardware steeds urgenter wordt. De traditionele aanpak om meer transistors in geïntegreerde circuits te stoppen heeft tot opmerkelijke successen geleid. Maar in het tijdperk van big data neemt de energiebehoefte van digitale computers enorm toe, waardoor het elektriciteitsnet mogelijk overbelast raakt. Hersams werk met de synaptische transistor is erop gericht om dit probleem aan te pakken door opnieuw na te denken over de manier waarop we AI en machine-learning taken benaderen.
Op weg naar cognitieve functies op een hoger niveau
Kunstmatige intelligentie streeft ernaar menselijke denkprocessen na te bootsen. Een van de fundamentele aspecten van dergelijke cognitie is het vermogen om gegevens te classificeren. Het team van Hersam heeft de AI-technologie dichter bij dit doel gebracht door een apparaat te introduceren dat gegevens analyseert en categoriseert op een manier die denken op een hoger niveau nabootst.
Het vermogen van de transistor om associatieve geheugentaken uit te voeren is opmerkelijk. Hij herkende met succes gelijksoortige patronen, zelfs als de input niet perfect was, en laat daarmee een eigenschap zien die verwant is aan de tolerantie van het menselijk brein voor dubbelzinnigheid en fouten. Dit vermogen kan de weg vrijmaken voor AI die kan omgaan met de complexiteit en nuances van echte gegevens, een belangrijke stap in de richting van AI die echt kan denken als een mens.
Implicaties voor de toekomst van computergebruik
De implicaties van dit onderzoek zijn enorm. Met een apparaat dat op kamertemperatuur werkt, minder energie verbruikt en informatie vasthoudt zonder stroom, zijn de potentiële toepassingen veelomvattend. Deze technologie zou kunnen leiden tot efficiëntere persoonlijke computerapparaten, geavanceerde neurale netwerken en zelfs nieuwe vormen van gegevensopslag en -ontsluiting.
Bovendien zou de synaptische transistor kunnen helpen bij het aanpakken van enkele van de meest urgente uitdagingen op het gebied van computers. De energiebesparingen alleen al zouden een aanzienlijke impact hebben op het milieu, doordat de koolstofvoetafdruk van datacenters en andere infrastructuur die de digitale economie ondersteunt, wordt verminderd. Nu AI en machine learning een steeds prominentere rol gaan spelen in verschillende sectoren, kan de behoefte aan energie-efficiëntere computerhardware niet genoeg worden benadrukt.
Als je dit artikel leuk vindt, lees dan ook:
