Plats. Den sista gränsen. Och den 2 nov. 2018, NASA:s rymdfarkost Voyager 2 korsade in i det interstellära rymdens storhet, efter Voyager 1, som tog språnget sex år tidigare. Sedan lanseringen 1977, de två sonderna har färdats mer än 11 ​​miljarder miles genom solsystemet, varar mycket längre än forskarna trodde.

Drivs av plutonium och drar 400 watt vardera för att driva sin elektronik och värme, sonderna tar fortfarande bilder och skickar tillbaka dem till NASA. Efter 42 år, fastän, bara sex av Voyager 2:s 10 instrument fungerar fortfarande, och NASA-forskare förväntar sig att sonden kommer att mörkna 2025, långt innan den lämnar vårt solsystem.

Men tänk om Voyager 2 bara behövde ett par watt effekt? Skulle den överleva tillräckligt länge för att fortsätta sina utforskningar långt in i framtiden?

Det här är den typ av frågor som forskare ställer vid det amerikanska energidepartementets (DOE) Argonne National Laboratory. Här, Ängel Yanguas-Gil, huvudsaklig materialvetare inom divisionen Applied Materials, leder ett tvärvetenskapligt team som omprövar designen av datorchips för att inte bara prestera och anpassa sig bättre, men för att göra det med en minimal mängd kraft - runt en watt.

För inspiration, teamet tittar på hjärnorna hos insekter, som myror, bin, och fruktflugor – som erbjuder en ny gräns inom en typ av artificiell intelligens som kallas neuromorphic computing. Det de har hittat kan vända artificiell intelligens på dess artificiella huvud.

Inspirerad av biologi, lagets nydesignade datorchips, som förlitar sig på nya ritningar och material, kan kringgå "molnet" för att lära sig i farten, radikalt spara kraft och anpassa sig till extrema miljöer, t.ex. rymden och radioaktiva områden – allt samtidigt som de levererar tillförlitliga, exakta resultat.

Den mjuka underlivet av artificiell intelligens

Artificiell intelligens genomsyrar våra liv, ger otaliga fördelar som att driva röststyrda digitala assistenter, guidning av självkörande bilar, känner igen våra ansikten, och hjälper oss att automatiskt svara på sms och e-postmeddelanden. AI, dock, har vissa begränsningar:den förlitar sig på mängder av data och allt snabbare hårdvara – som den alltid måste vara ansluten till – kräver mycket kraft och har begränsad flexibilitet.

Hur är artificiell intelligens oflexibel? Svaret ligger i hur en populär form av AI, kallas ett neuralt nätverk, upptäcker meningsfulla arrangemang i data. De flesta neurala nätverk, som avslöjar mönster och samband i data utan explicit programmering, är statiska, utformad för en specifik uppgift, som att känna igen bilder. När ett nätverk väl lär sig den uppgiften, den kan inte växla och börja köra bil.

"Scenen förändras, distributionen av data är något annorlunda än tidigare, och det du lärde dig gäller inte längre, " förklarade Sandeep Madireddy, en datavetare vid Argonnes division Mathematics and Computer Science (MCS), som har anslutit sig till Yanguas-Gils team.

Insekter, å andra sidan, är mångsidiga och kan lösa problem på olika sätt, sa Yanguas-Gil.

"I ett biologiskt system, nätverket kan lära sig själv och erbjuder en mycket högre grad av flexibilitet, " sade han. "Evolutionärt tryck på insekter producerar mycket effektivt, adaptiva datorer. bin, till exempel, uppvisar hälften av antalet distinkta kognitiva beteenden hos delfiner, bara i en mycket mindre volym."

Noggrann under tryck

För att bevisa denna punkt, Yanguas-Gil och Argonne kemister Jeff Elam och Anil Mane designade och simulerade ett nytt neuromorft chip inspirerat av binas lilla hjärnstruktur. fruktflugor och myror. Teamet skapade ett nätverk från grunden som innehåller två avgörande upptäckter:

• Dynamiska filter och vikter som ändrar styrkan hos olika neurala anslutningar, beroende på vad systemet finner viktigt i realtid.
• Volfram-aluminiumoxid, ett prisbelönt nanokompositmaterial skapat av Elam och Mane, vilket skulle tillåta chipet att fungera vid effektnivåer långt under en watt. (Däremot, grafikprocessorenheter [GPU:er], baserad på konventionell kiselhalvledarbearbetning, kan förbruka 100 watt eller mer per chip.)

Testning av den nya chipdesignen visade att den var lika exakt som standarddesignen, men den lärde sig mycket snabbare och behöll sin noggrannhet – även under 60 procents felfrekvens i den interna driften.

"Med neurala nätverk, felfrekvenser på 20 procent urholkar systemets noggrannhet, ", sa Yanguas-Gil. "Vårt system kan tolerera mycket högre felfrekvenser och upprätthålla samma noggrannhet som ett perfekt system. Detta gör den till en bra kandidat för maskiner som tillbringar 30 år i rymden."

Med dessa resultat, teamet vann priset för bästa papper i augusti vid 2019 Institute of Electrical and Electronics Engineers (IEEE) Computer Society's Space Computing Conference.

Att bygga bikupans sinne

Efter att hans team utvecklat ritningen för det neuromorfa chipet, Yanguas-Gil tog värvning av Madireddy och Prasanna Balaprakash, också en datavetare i labbets MCS-avdelning, och använde Argonnes kraftfulla datorverktyg för att maximera dess prestanda.

Med hjälp av Theta-superdatorn vid Argonne Leadership Computing Facility – en DOE Office of Science User Facility – körde duon den neuromorfa planen genom ett mjukvarupaket som de utvecklade kallat DeepHyper, som utför automatiserad maskininlärning för neurala nätverk. DeepHyper testar tusentals olika insektshjärnkonfigurationer, genererar bättre variationer tills den identifierar den rätta för en viss uppgift.

Med varje uppsättning konfigurationer, DeepHyper lär sig – utvärderar och genererar sedan nästa konfigurationsuppsättning baserat på vad den har sett. "Det fungerar ungefär på samma sätt som människor lär sig att spela ett spel, "sa Balaprakash. "Du spelar, du får poäng, och sedan – baserat på feedbacken och dina misstag – blir du långsamt bättre och bättre."

I ett produktionsscenario, all denna inlärning kommer att kodas på det neuromorfa chipet, och själva chippet kommer att kunna anpassa sig, växlar för att lösa varje typ av uppgift.

Hur man ändrar spelet

Dessa framsteg är bara början. När Yanguas-Gil och hans team upptäcker den bäst presterande chipdesignen, de måste komma överens om dess bästa användningsområden. Lyckligtvis, det verkar finnas en oändlig efterfrågan på ett chip som kombinerar datorintelligens – precis där det behövs – med låga energibehov.

Tänk om, till exempel, forskare kan placera lågeffektsensorer i nationella skogar för att fungera som en varning för skogsbränder?

Både Yanguas-Gil och Balaprakash pekar också på stadsområden, där chippet kan övervaka potentiella farliga kemikalier. Argonne, i samarbete med University of Chicago och City of Chicago, har redan installerat 120 smarta avkänningsenheter runt om i staden för att mäta faktorer som luftkvalitet, trafik och klimat – ett National Science Foundation-finansierat projekt känt som Array of Things.

Dessa smarta enheter använder Argonnes Waggle-teknologiplattform, som inkluderar fjärrprogrammerbara högpresterande datorenheter så att AI-kapacitet kan bäddas in med sensorerna. På det här sättet, till exempel, bildanalys kan ge insikter i mängden och karaktären av gatuaktiviteter och till och med mänskliga interaktioner. I verklig mening, dessa enheter kan använda AI-tekniker för att "lära sig" om sina miljöer för att upptäcka nya eller ovanliga händelser eller mönster.

"Tänk om dessa sensorer kunde lära sig i realtid och upptäcka giftig gas?" frågade Balaprakash.

I teorin, Yanguas-Gil håller med om att neuromorfa chips skulle kunna fungera som masspektrometrar för att lära sig i realtid att känna igen olika molekylfragment utan att vara explicit programmerade. "Det skulle vara en game changer, " han sa.