‘deep-learning’ neuraal netwerk gebruiken om patronen te herkennen

0

Een elektronisch netwerk dat niet de logische opbouw heeft van conventionele schakelingen, en dat desondanks in staat is om patronen te herkennen: dit lieten UT-onderzoekers eerder dit jaar zien in Nature. Alleen, hoe krijg je zo’n ongeordend netwerk ooit zo ver dat het doet wat jij wilt, is dan de vraag. Voor deze training doen de onderzoekers daarvoor nu een beroep op kunstmatige intelligentie. Sluit het brein-geïnspireerd netwerk aan op een ‘diep-lerend neuraal netwerk’, en je kunt het in de gewenste richting sturen. Het onderzoek, uitgevoerd door het Center for Brain-Inspired Nano Systems (BRAINS) van de Universiteit Twente, werd op 19 oktober gepubliceerd in Nature Nanotechnology.

Het ‘ongeordende netwerk’ dat de onderzoekers eerder presenteerden, lijkt helemaal niet op de klassieke opbouw van elektronische schakelingen. Het heeft geen onderdelen die allemaal een duidelijke functie hebben. Het heeft een aantal ingangen en uitgangen, maar wat daartússen gebeurt, kun je niet voorspellen. Naar nu blijkt, is het wel degelijk in het gareel te krijgen door er een bestaande vorm van ‘artificial intelligence’ (AI) op los te laten: een diep-lerend neuraal netwerk.

Twee typen AI helpen elkaar

Want, contra-intuïtief genoeg, is het ongeordende netwerk wél in staat om patronen te herkennen, zoals handschriften. Het gebruikt daarvoor de materiaaleigenschappen: in het netwerkje ‘hoppen’ elektronen van booratoom naar booratoom op een silicium chip. Een beetje zoals verschillende neuronen in het brein beginnen te vuren bij het uitvoeren van een taak. Ondanks het ongeordende karakter, geeft het netwerkje wel degelijk een uitgangssignaal. Het is mogelijk om dit uitgangssignaal bij te sturen in de gewenste richting door de spanning op controle-elektrodes te wijzigen. “Deze werkwijze heet ook wel ‘kunstmatige evolutie’. Dat heeft overeenkomsten met de natuurlijke evolutie die we kennen van Darwin en neemt vrij veel tijd in beslag”, aldus onderzoeksleider prof Wilfred van der Wiel.

Een ‘deep-learning’ neuraal netwerk is nu juist erg goed in het aanleren van patronen: waarom, zo dachten de onderzoekers, gebruiken we die kracht niet om onze chip te trainen? Zo helpen twee soorten kunstmatige intelligentie elkáár. Eenmaal uitgeleerd, kan het netwerkje zelfstandig verder. Met als een van de grote voordelen dat het een minimum aan energie verbruikt.

Dichterbij werking brein

Neurale netwerken worden al langer toegepast, het zijn complexe wiskundige modellen met meerdere lagen die, als ze een aantal voorbeelden hebben geleerd, in staat zijn patronen te herkennen die overeenkomsten hebben met die voorbeelden. Ze zijn er in hardware en in software, en ze worden al door andere UT-onderzoekers toegepast om bijvoorbeeld de signalen in het brein (ECG) te classificeren, of om circulerende tumorcellen te herkennen.

Dankzij de samenwerking tussen beide typen netwerken, is de basis gelegd voor hardware die heel anders functioneert dan de gebruikelijke schakelingen. Vervolgonderzoek moet uitwijzen of je de werking van het brein nog dichter kunt benaderen. In een klassieke computer beweegt de data voortdurend van geheugen naar processor, in het brein zijn dit geen gescheiden processen.

BRAINS

Het Center for Brain-Inspired Nano Systems , onderdeel van het MESA+ instituut van de UT en opgericht in 2018, koppelt nanotechnologie aan informatica, wiskunde, kunstmatige intelligentie (AI) en neurowetenschap. Op deze manier wil BRAINS de wetenschappelijke basis leggen voor een nieuwe generatie van krachtige en energie-efficiënte computerhardware. De belangrijkste inspiratiebron is de werking van ons brein: het werkt bijvoorbeeld niet, zoals conventionele hardware, met een gescheiden processor en geheugen en verbruikt uiterst weinig energie.. Hoe kunnen we zo’n benadering in hardware realiseren, is een centrale vraag. Het kan bijvoorbeeld door, zoals in het huidige netwerkje, de materiaaleigenschappen te gebruiken, of een circuit te bouwen met componenten zoals kunstmatige neuronen en synapsen. Kan een kunstmatig brein ook gekoppeld worden aan biologische systemen, is dan de prikkelende vraag. En welke maatschappelijke en filosofisch-ethisch aspecten spelen daarbij dan een rol?

Het paper A deep-learning approach to realising functionality in nanoelectronic devices, door Hans-Christian Ruiz Euler, Marcus Boon, Jochem Wildeboer, Bram van de Ven, Tao Chen, Hajo Broersma, Peter Bobbert en Wilfred van der Wiel, is verschenen in Nature Nanotechnology van 19 oktober 2020.

Share.

Reageer

CAPTCHA Image

Reload Image

Deze website gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.