Ny forskning som på konstgjord väg skapar en sällsynt form av materia känd som spinglas kan sätta igång ett nytt paradigm inom artificiell intelligens genom att tillåta algoritmer att skrivas ut direkt som fysisk hårdvara. De ovanliga egenskaperna hos spinglas möjliggör en form av AI som kan känna igen objekt från delbilder ungefär som hjärnan gör och visar löfte om lågeffektsdatorer, bland andra spännande funktioner.

"Vårt arbete åstadkom den första experimentella realiseringen av ett artificiellt spinnglas bestående av nanomagneter arrangerade för att replikera ett neuralt nätverk", säger Michael Saccone, en postdoktoral forskare i teoretisk fysik vid Los Alamos National Laboratory och huvudförfattare till den nya artikeln i Naturfysik . "Vårt papper lägger grunden som vi behöver för att praktiskt kunna använda dessa fysiska system."

Spinglasögon är ett sätt att tänka matematiskt materialstruktur. Att vara fri, för första gången, att justera interaktionen inom dessa system med hjälp av elektronstrålelitografi gör det möjligt att representera en mängd olika datorproblem i spin-glas-nätverk, sa Saccone.

I skärningspunkten mellan konstruerade material och beräkningar är spin-glas-system en typ av oordnat system av nanomagneter som uppstår från slumpmässiga interaktioner och konkurrens mellan två typer av magnetisk ordning i materialet. De uppvisar "frustration", vilket betyder att de inte sätter sig i en enhetligt ordnad konfiguration när deras temperatur sjunker, och de har distinkta termodynamiska och dynamiska egenskaper som kan utnyttjas för datortillämpningar.

"Teoretiska modeller som beskriver spinglasögon används i stor utsträckning i andra komplexa system, som de som beskriver hjärnans funktion, felkorrigerande koder eller aktiemarknadens dynamik," sa Saccone. "Detta breda intresse för spinglasögon ger stark motivation att skapa ett konstgjort spinglas."

Forskargruppen kombinerade teoretiskt och experimentellt arbete för att tillverka och observera det artificiella spinnglaset som ett proof-of-princip Hopfield neurala nätverk, som matematiskt modellerar associativt minne för att styra störningen i de artificiella spinnsystemen.

Spin glass och Hopfield-nätverk har utvecklats symbiotiskt, det ena fältet livnär sig på det andra. Associativt minne, oavsett om det är i ett Hopfield-nätverk eller andra former av neurala nätverk, länkar två eller flera minnesmönster relaterade till ett objekt. Om bara ett minne utlöses – till exempel genom att ta emot en delbild av ett ansikte som indata – kan nätverket återkalla hela ansiktet. Till skillnad från mer traditionella algoritmer kräver inte associativt minne ett helt identiskt scenario för att identifiera ett minne.

Minnen i dessa nätverk motsvarar grundtillstånden i ett spinnsystem och störs mindre av brus än andra neurala nätverk.

Forskningen av Saccone och teamet bekräftade att materialet var ett spinnglas, bevis som gör att de kan beskriva systemets egenskaper och hur det behandlar information. AI-algoritmer utvecklade i spinglas skulle vara "stökigare" än traditionella algoritmer, sa Saccone, men också mer flexibla för vissa AI-applikationer. + Utforska vidare

Minnen och energilandskap av magnetiska glasartade tillstånd