Frasen "positiv förstärkning, " är något du hör oftare i en artikel om barnuppfostran än en om artificiell intelligens. Men enligt Alice Parker, Dekanus professor i elektroteknik vid Ming Hsieh-avdelningen för elektro- och datateknik, lite positiv förstärkning är precis vad våra AI-maskiner behöver. Parker har byggt elektroniska kretsar i över ett decennium för att omvända den mänskliga hjärnan för att bättre förstå hur den fungerar och i slutändan bygga konstgjorda system som efterliknar den. Hennes senaste tidning, skrev tillsammans med Ph.D. student Kun Yue och kollegor från UC Riverside, publicerades precis i tidskriften Vetenskapens framsteg och tar ett viktigt steg mot det slutmålet.

Den AI vi förlitar oss på och läser om idag är modellerad på traditionella datorer; den ser världen genom linsen av binära nollor och ettor. Det här är bra för att göra komplexa beräkningar men, enligt Parker och Yue, vi närmar oss snabbt gränserna för storleken och komplexiteten av problem vi kan lösa med plattformarna vår AI finns på. "Sedan den första revolutionen för djupinlärning, målen och framstegen för djupinlärningsbaserad AI som vi känner den har varit mycket långsamma, " säger Yue. För att nå sin fulla potential, AI kan inte bara tänka bättre – den måste reagera och lära sig på egen hand på händelser i realtid. Och för att det ska hända, en massiv förändring i hur vi bygger AI i första hand måste tänkas.

För att lösa detta problem, Parker och hennes kollegor letar efter det mest fulländade inlärningssystem som naturen någonsin har skapat:den mänskliga hjärnan. Det är här positiv förstärkning kommer in i bilden. Hjärnor, till skillnad från datorer, är analoga elever och det biologiska minnet har uthållighet. Analoga signaler kan ha flera tillstånd (ungefär som människor). Medan en binär AI byggd med liknande typer av nanoteknik för att uppnå långvarigt minne kanske kan förstå något som bra eller dåligt, en analog hjärna kan förstå djupare att en situation kan vara "mycket bra, " "bara okej, " "dåligt" eller "mycket dåligt." Det här fältet kallas neuromorphic computing och det kan bara representera framtiden för artificiell intelligens.

När människor utsätts för något nytt och potentiellt användbart får våra neuroner en topp av dopamin och kopplingarna kring dessa neuroner stärks. "Tänk på ett spädbarn som sitter i en barnstol, " Säger Parker. "Hon kanske viftar vilt med armarna eftersom hennes outvecklade nervceller bara skjuter slumpmässigt." Så småningom leder en av dessa vilda rörelser till ett positivt resultat - säg, slår omkull hennes kopp och gör oreda. Helt plötsligt, nervcellerna som gjorde den rörelsen får ett svar och stärks. Görs tillräckligt regelbundet, barnets hjärna börjar associera den spiken med något som är värt att internalisera. Och precis så, vår lilla bebis har lärt sig att en armrörelse ger ett underhållande resultat och att inlärningen består över tid. Det här är precis vad neuromorfisk datoranvändning försöker göra:lära AI att lära av verkliga upplevelser precis som vi gör.

Att göra detta, Parker och Yue har designat sina egna neuromorfa kretsar och kombinerat dem med nanoenheter som kallas Magnetic Domain Wall Analog Memristors (MAM). De kör sedan simuleringar för att visa att deras neurala kretsar lär sig som en hjärna. Denna MAM-enhet är så komplex att en hel artikel skulle kunna skrivas ensam på den. Men för nu, det viktigaste att veta är att det är en extremt liten enhet som hjälper till att komma ihåg den positiva förstärknings-"spiken" som de artificiella nervcellerna får. Du kan tänka på Parkers neuromorfa kretsar i kombination med MAM precis som den lilla bebisens hjärna. I det avseendet, Parker och Yue är ungefär som den lilla AI-bebisens föräldrar ... lär den nya saker och förstärker den positivt när den gör något rätt.

För närvarande, det vi har är lite som en riktig bebis hjärna. Outvecklad och definitivt inte redo att fatta beslut på egen hand. Men, också väldigt lik en riktig bebis, med tillräckligt med arbete, investering, och kärlek från forskarna, denna teknik kommer att förändra hur AI fungerar i den verkliga världen.

Självklart, Parkers arbete är aldrig riktigt färdigt. "Vårt nästa steg, arbetar med DARPA, är att lära vårt system att lära sig något nytt utan att glömma tidigare lektioner, " säger Parker. Deras arbete kan representera ett litet steg mot det slutliga målet med neuromorf AI, men som vilken bra forskare eller förälder som helst, Parker uppskattar vikten av små steg.