Jaringan sinapsis buatan yang kecil dan terorganisir sendiri mengingat pengalaman mereka dan dapat memecahkan masalah sederhana. Penciptanya berharap suatu saat nanti, atas dasar otak buatan ini, akan tercipta perangkat yang dalam efisiensi energinya tidak kalah dengan daya komputasi otak. Secara umum, otak, jika kita menghilangkan pencapaiannya dalam berpikir dan memecahkan masalah, akan sempurna dalam efisiensi energinya. Otak membutuhkan jumlah energi yang sama untuk bekerja seperti yang diserap oleh lampu pijar 20 watt. Dan salah satu superkomputer terkuat dan tercepat di dunia, Komputer K di Kobe, Jepang, menggunakan daya hingga 9,89 megawatt - hampir sama dengan 10.000 rumah. Tetapi pada tahun 2013, bahkan dengan energi ini, mesin membutuhkan waktu 40 menit untuk mensimulasikan 1% aktivitas otak manusia dalam 1 detik.
Maka para insinyur peneliti di Institut NanoSystems California di Universitas California, Los Angeles berharap dapat bersaing dengan kemampuan komputasi dan hemat energi otak, berkat sistem yang mencerminkan struktur otak. Mereka menciptakan perangkat, mungkin yang pertama dari jenisnya, yang "terinspirasi oleh otak untuk menghasilkan sifat yang memungkinkan otak melakukan apa yang dilakukannya," kata Adam Stig, seorang peneliti dan profesor di institut yang memimpin proyek bersama Jim Gimzewski, profesor kimia di Universitas California. Di Los Angeles.
Desain mereka sama sekali tidak seperti komputer biasa, yang didasarkan pada kabel kecil yang dicetak pada sirkuit mikro silikon di sirkuit yang sangat teratur. Versi eksperimental saat ini adalah kisi kawat nano perak berukuran 2 x 2 mm yang dihubungkan dengan sinapsis buatan. Tidak seperti sirkuit silikon dengan presisi geometrisnya, perangkat ini ditenun seperti "piring spageti yang tercampur dengan baik", kata Stig. Selain itu, struktur halusnya diatur dari proses kimia dan listrik acak, dan tidak dirancang dengan cermat.
Dalam kerumitannya, jaring perak ini menyerupai otak. Ada satu miliar sinapsis buatan per sentimeter persegi dari kisi-kisi, yang beberapa kali lipatnya berbeda dari otak sebenarnya. Aktivitas listrik jaringan juga menunjukkan sifat unik untuk sistem kompleks seperti otak: "kekritisan", keadaan antara keteraturan dan kekacauan yang menunjukkan efisiensi maksimum.
Jaringan kawat nano yang sangat terjalin ini mungkin terlihat kacau dan acak, tetapi struktur dan perilakunya mirip dengan neuron di otak. Ilmuwan di NanoSystems mengembangkannya sebagai perangkat otak untuk belajar dan komputasi.
Selain itu, percobaan pendahuluan menunjukkan bahwa jaring kawat perak neuromorfik (yaitu, seperti otak) ini memiliki potensi fungsional yang besar. Dia sudah dapat melakukan operasi pendidikan dan logis sederhana. Ini dapat menghilangkan kebisingan yang tidak diinginkan dari sinyal yang diterima, kemampuan penting untuk pengenalan suara dan tugas serupa yang menyebabkan masalah di komputer tradisional. Dan keberadaannya membuktikan prinsip bahwa suatu hari akan mungkin untuk menciptakan perangkat dengan efisiensi energi yang mendekati otak.
Keunggulan ini terutama menarik dengan latar belakang mendekati batas miniaturisasi dan efisiensi mikroprosesor silikon. "Hukum Moore sudah mati, semikonduktor tidak bisa lagi menjadi lebih kecil, dan orang-orang mulai meratap tentang apa yang harus dilakukan," kata Alex Nugent, CEO Knowm, perusahaan komputasi neuromorfik yang tidak terlibat dalam proyek UCLA. “Saya suka ide ini, arah ini. Platform komputasi konvensional satu miliar kali lebih efisien."
Video promosi:
Berubah sebagai sinapsis
Ketika Gimrzewski mulai mengerjakan proyek jaringan peraknya 10 tahun lalu, sama sekali bukan efisiensi energi yang membuatnya tertarik. Dia bosan. Setelah menggunakan mikroskop penerowongan pemindai untuk mempelajari elektronika pada skala atom selama 20 tahun, dia akhirnya berkata, "Saya lelah dengan kesempurnaan dan kendali yang tepat dan sedikit lelah dengan reduksionisme."
Reduksionisme, harus diasumsikan, mendasari semua mikroprosesor modern, ketika fenomena dan rangkaian kompleks dapat dijelaskan dengan menggunakan fenomena dan elemen sederhana.
Pada tahun 2007, ia diminta untuk mempelajari sakelar atomik individu (atau sakelar) yang dikembangkan oleh kelompok Masakazu Aono dari International Center for Material on Nanoarchitectonics di Tsukuba, Jepang. Sakelar ini berisi bahan yang sama yang mengubah sendok perak menjadi hitam saat menyentuh telur: besi sulfida yang diapit di antara perak logam keras.
Menerapkan tegangan ke perangkat mendorong ion perak bermuatan positif dalam perak sulfida menuju lapisan katoda perak, di mana mereka direduksi menjadi perak metalik. Filamen perak atom tumbuh, akhirnya menutup celah antara sisi perak metalik. Saklar aktif dan arus dapat mengalir. Membalikkan arus memiliki efek sebaliknya: jembatan perak berkontraksi dan sakelar mati.
Namun, tak lama setelah mengembangkan sakelar, kelompok Aono mulai mengamati perilaku yang tidak biasa. Semakin sering sakelar digunakan, semakin mudah untuk menyalakannya. Jika tidak digunakan selama beberapa waktu, secara bertahap akan mati dengan sendirinya. Pada dasarnya, sakelar mengingat sejarahnya. Aono dan rekan-rekannya juga menemukan bahwa sakelar-sakelar tersebut tampak berinteraksi satu sama lain, sehingga menyalakan satu sakelar terkadang akan memblokir atau mematikan sakelar lain di dekatnya.
Mayoritas dalam grup Aono ingin membangun properti aneh ini di luar sakelar. Tetapi Gimrzewski dan Stig (yang baru saja menyelesaikan PhD di kelompok Gimrzewski) mengingat sinapsis, peralihan antar sel saraf di otak manusia, yang juga mengubah hubungan dengan pengalaman dan interaksi. Dan ide itu lahir. “Kami berpikir, mengapa tidak mencoba menerjemahkan semua ini ke dalam struktur yang menyerupai korteks serebral mamalia dan mempelajarinya?” Kata Stig.
Membangun struktur yang begitu rumit pasti sulit, tetapi Stig dan Odrius Avicenis, yang baru saja bergabung dengan grup sebagai mahasiswa pascasarjana, mengembangkan protokol untuk ini. Dengan menuangkan perak nitrat ke bola tembaga kecil, mereka dapat menyebabkan kawat perak yang berpotongan tipis secara mikroskopis tumbuh. Mereka kemudian dapat memompa gas belerang melalui jaringan ini untuk membuat lapisan sulfida keperakan di antara kabel perak, seperti pada saklar atom tim Aono yang asli.
Kekritisan yang terorganisir sendiri
Ketika Gimzewski dan Stig memberi tahu orang lain tentang proyek mereka, tidak ada yang percaya itu akan berhasil. Beberapa mengatakan perangkat itu akan menunjukkan satu jenis aktivitas statis dan menetap di atasnya, kenang Stig. Yang lain menyarankan sebaliknya: "Mereka mengatakan sakelar akan turun dan seluruh struktur akan terbakar," kata Gimzewski.
Tapi perangkat itu tidak meleleh. Sebaliknya, ketika Gimzewski dan Stig mengawasinya melalui kamera infra merah, arus input terus mengubah jalur yang diambilnya melalui perangkat - membuktikan bahwa aktivitas di jaringan tidak terlokalisasi, melainkan didistribusikan, seperti di otak.
Suatu hari di musim gugur tahun 2010, ketika Avicenis dan koleganya Henry Sillin meningkatkan tegangan input ke perangkat, mereka tiba-tiba menyadari bahwa tegangan output mulai berosilasi secara acak, seolah-olah wire mesh telah hidup. “Kami duduk dan melihatnya, kami terkejut,” kata Sillin.
Mereka mengira telah menemukan sesuatu yang menarik. Ketika Avicenis menganalisis data pemantauan selama beberapa hari, dia menemukan bahwa jaringan tetap pada tingkat aktivitas yang sama untuk waktu yang singkat lebih sering daripada untuk periode yang lama. Mereka kemudian menemukan bahwa area aktivitas kecil lebih umum daripada area besar.
“Saya terheran-heran,” kata Avicenis, karena ini pertama kalinya mereka mempelajari hukum kekuatan dari perangkat mereka. Hukum kekuatan menggambarkan hubungan matematis di mana satu variabel berubah sebagai kekuatan variabel lain. Mereka berlaku untuk sistem di mana skala yang lebih besar, kejadian yang lebih lama lebih jarang terjadi daripada yang lebih kecil dan lebih pendek, tetapi kejadian tersebut tersebar luas dan bukan karena kecelakaan. Per Bac, seorang fisikawan Denmark yang meninggal pada tahun 2002, pertama kali mengusulkan hukum kekuatan sebagai ciri khas dari semua jenis sistem dinamis yang kompleks yang dapat diatur dalam skala besar dan jarak jauh. Perilaku ini, katanya, menunjukkan bahwa sistem yang kompleks sedang menyeimbangkan dan berfungsi pada golden mean antara keteraturan dan kekacauan, dalam keadaan "kritis", dan semua bagiannya berinteraksi dan saling berhubungan untuk efisiensi maksimum.
Seperti prediksi Buck, perilaku power-law diamati di otak manusia: pada tahun 2003, Dietmar Plentz, ahli neurofisiologi di National Institutes of Health, mengamati bahwa kelompok-kelompok sel saraf mengaktifkan yang lain, yang pada gilirannya mengaktifkan yang lain, yang sering memicu aliran aktivasi sistemik. Plenz menemukan bahwa ukuran kaskade ini mengikuti distribusi hukum kekuatan, dan otak memang bertindak sedemikian rupa untuk memaksimalkan penyebaran aktivitas tanpa mengambil risiko kehilangan kendali atas penyebarannya.
Fakta bahwa perangkat University of California juga mendemonstrasikan kekuatan hukum dalam tindakan sangat penting, kata Plentz. Karena itu, seperti di otak, ia memiliki keseimbangan yang rumit antara aktivasi dan penghambatan, yang membuat sejumlah bagiannya bekerja. Aktivitas tidak menyembunyikan set, tetapi juga tidak berhenti.
Belakangan, Gimzewski dan Stig menemukan kesamaan lain antara jaringan perak dan otak: sama seperti otak manusia yang tidur menunjukkan lebih sedikit kaskade aktivasi pendek daripada otak yang bangun, keadaan aktivasi pendek di jaringan perak menjadi kurang umum pada energi masukan yang lebih rendah. Dalam beberapa hal, mengurangi konsumsi daya suatu perangkat dapat menciptakan keadaan yang menyerupai keadaan otak manusia yang tidak aktif.
Belajar dan komputasi
Dan inilah pertanyaannya: jika jaringan kabel perak memiliki sifat seperti otak, dapatkah ia memecahkan masalah komputasi? Eksperimen pendahuluan telah menunjukkan bahwa jawabannya adalah ya, meskipun perangkat tersebut, tentu saja, bahkan tidak sebanding dengan komputer biasa.
Pertama, tidak ada perangkat lunak. Sebaliknya, para peneliti mengeksploitasi fakta bahwa jaringan dapat mendistorsi sinyal yang masuk dengan berbagai cara, tergantung di mana keluaran diukur. Ini menawarkan kemungkinan penggunaan pengenalan suara atau gambar, karena perangkat harus dapat membersihkan sinyal input yang berisik.
Ini juga mengikuti dari ini bahwa perangkat dapat digunakan untuk apa yang disebut perhitungan reservoir. Karena satu input dapat, pada prinsipnya, menghasilkan jutaan output yang berbeda (karena itu reservoir), pengguna dapat memilih atau menggabungkan output sehingga hasilnya adalah komputasi input yang diinginkan. Misalnya, jika Anda menstimulasi perangkat di dua lokasi berbeda pada saat yang sama, ada kemungkinan salah satu dari jutaan output berbeda akan mewakili jumlah kedua input.
Tantangannya adalah menemukan kesimpulan yang benar dan mendekodekannya, dan mencari cara terbaik untuk menyandikan informasi sehingga jaringan dapat memahaminya. Hal ini dapat dilakukan dengan melatih perangkat: dengan menjalankan tugas ratusan atau ribuan kali, pertama dengan satu jenis masukan, lalu dengan jenis lainnya, dan membandingkan keluaran mana yang mengatasi tugas dengan lebih baik. “Kami tidak memprogram perangkat, tetapi kami memilih cara terbaik untuk menyandikan informasi sehingga perilaku jaringan berguna dan menarik,” kata Gimrzewski.
Dalam sebuah karya yang akan segera diterbitkan, para ilmuwan akan menjelaskan bagaimana mereka melatih jaringan kabel untuk melakukan operasi logis sederhana. Dan dalam eksperimen yang tidak dipublikasikan, mereka melatih jaringan untuk memecahkan masalah memori sederhana yang biasanya diberikan kepada tikus (labirin-T). Dalam uji T-maze, tikus diberi hadiah jika berbelok dengan benar sebagai respons terhadap cahaya. Dengan versinya sendiri untuk pelatihan, jaringan dapat membuat pilihan yang tepat 94% dari waktu.
Sejauh ini, hasil ini hanyalah bukti prinsip, kata Nugent. "Tikus kecil yang membuat keputusan di labirin-T tidak pernah mendekati sesuatu dalam pembelajaran mesin yang dapat mengevaluasi sistemnya," di komputer tradisional, katanya. Dia meragukan perangkat itu bisa berubah menjadi chip yang berguna dalam beberapa tahun mendatang.
Tapi potensinya sangat besar, tegasnya. Karena jaringan, seperti otak, tidak memisahkan pemrosesan dan memori. Komputer tradisional perlu mentransfer informasi antara domain berbeda yang menangani dua fungsi ini. “Semua komunikasi ekstra ini terbangun karena kabel membutuhkan daya,” kata Nugent. Mengambil komputer tradisional, Anda harus mematikan Prancis untuk mensimulasikan otak manusia lengkap dengan resolusi yang layak. Jika perangkat seperti Silver Network dapat memecahkan masalah efisiensi algoritme pembelajaran mesin yang dijalankan pada komputer tradisional, perangkat tersebut dapat menggunakan daya yang miliaran kali lebih sedikit. Dan kemudian masalahnya kecil.
Temuan para ilmuwan juga mendukung gagasan bahwa, dalam keadaan yang tepat, sistem cerdas dapat dibentuk melalui pengorganisasian sendiri, tanpa templat atau proses apa pun untuk pengembangannya. Silver Network "muncul secara spontan," kata Todd Hilton, mantan manajer DARPA yang mendukung proyek tersebut sejak awal.
Gimrzewski percaya bahwa jaringan kabel perak atau perangkat serupa bisa lebih baik daripada komputer tradisional dalam memprediksi proses yang kompleks. Komputer tradisional memodelkan dunia dengan persamaan yang sering kali hanya menggambarkan fenomena kompleks secara kasar. Jaringan neuromorfik sakelar atom menyelaraskan kompleksitas struktural intrinsik mereka sendiri dengan fenomena yang mereka simulasikan. Dan mereka juga melakukannya dengan cepat - status jaringan dapat berfluktuasi dengan kecepatan hingga puluhan ribu perubahan per detik. "Kami menggunakan sistem yang kompleks untuk memahami fenomena yang kompleks," kata Gimrzewski.
Awal tahun ini, pada pertemuan American Chemical Society di San Francisco, Gimzewski, Stig dan rekan mereka mempresentasikan hasil eksperimen di mana mereka memberi makan perangkat tiga tahun pertama dari enam tahun dataset lalu lintas Los Angeles dalam bentuk serangkaian pulsa yang menunjukkan jumlah melewati mobil per jam. Setelah ratusan jam pelatihan, hasilnya akhirnya memprediksi tren statistik paruh kedua set data, dan cukup baik, meskipun tidak ditampilkan ke perangkat.
Mungkin suatu hari, Gimrzewski bercanda, dia menggunakan jaringan untuk memprediksi pasar saham.
Ilya Khel
