ปัญญาประดิษฐ์ที่ใช้ neural networks ทำการคำนวณแบบดิจิทัลด้วยความช่วยเหลือของชิปไมโครอิเล็กทรอนิกส์ นักฟิสิกส์ที่มหาวิทยาลัยไลพ์ซิก (Leipzig University) ได้สร้าง neural networks ประเภทหนึ่งซึ่งไม่ได้ทำงานด้วยไฟฟ้า แต่ทำงานด้วยสิ่งที่เรียกว่าอนุภาคคอลลอยด์แบบแอคทีฟ (active colloidal particles) ลงตีพิมพ์ในวารสาร Nature Communications นักวิจัยได้อธิบายว่าอนุภาคขนาดเล็กเหล่านี้สามารถใช้เป็นระบบทางกายภาพสำหรับปัญญาประดิษฐ์และการทำนายอนุกรมเวลา (time series) ได้อย่างไร
Artificial intelligence using neural networks performs calculations digitally with the help of microelectronic chips. Physicists at Leipzig University have now created a type of neural network that works not with electricity but with so-called active colloidal particles. In their publication in Nature Communications, the researchers describe how these microparticles can be used as a physical system for artificial intelligence and the prediction of time series.
การใช้ active microparticles สำหรับปัญญาประดิษฐ์
ปัญญาประดิษฐ์ที่ใช้ neural networks ทำการคำนวณแบบดิจิทัลด้วยความช่วยเหลือของชิปไมโครอิเล็กทรอนิกส์ นักฟิสิกส์ที่มหาวิทยาลัยไลพ์ซิก (Leipzig University) ได้สร้าง neural networks ประเภทหนึ่งซึ่งไม่ได้ทำงานด้วยไฟฟ้า แต่ทำงานด้วยสิ่งที่เรียกว่าอนุภาคคอลลอยด์แบบแอคทีฟ (active colloidal particles) ลงตีพิมพ์ในวารสาร Nature Communications นักวิจัยได้อธิบายว่าอนุภาคขนาดเล็กเหล่านี้สามารถใช้เป็นระบบทางกายภาพสำหรับปัญญาประดิษฐ์และการทำนายอนุกรมเวลา (time series) ได้อย่างไร
“neural network ของเราอยู่ในสาขา dynamics of physical processes ที่นำความเคลื่อนไหวของผิวน้ำ แบคทีเรีย หรือแบบจำลองหนวดปลาหมึกยักษ์ มาใช้ในการคำนวณ” Professor Frank Cichos หัวหน้ากลุ่มวิจัยพัฒนา neural network ภายใต้การสนับสนุนของ ScaDS.AI
“แนวทางการพัฒนาของเรา ใช้อนุภาค synthetic self-propelled particles ที่มีขนาดเพียงไม่กี่ไมโครเมตร มาใช้” Cichos อธิบาย “เราแสดงให้เห็นว่าสิ่งเหล่านี้สามารถนำมาใช้ในการคำนวณได้ และในขณะเดียวกันก็นำเสนอวิธีการที่จะระงับอิทธิพลของ disruptive effects เช่น สัญญาณรบกวน (noise) ในการเคลื่อนที่ของอนุภาคคอลลอยด์” อนุภาคคอลลอยด์ (colloidal particles) คืออนุภาคที่มีการกระจายตัวอย่างประณีตในตัวกลางการกระจายตัว (dispersion medium) ของพวกมัน ได้แก่ ของแข็ง ก๊าซ หรือของเหลว
สำหรับการทดลอง นักฟิสิกส์ได้พัฒนาหน่วยเล็กๆ ที่ทำจากพลาสติกและอนุภาคนาโนของทองคำ (gold nanoparticles) ซึ่งอนุภาคหนึ่งหมุนไปรอบๆ อีกอนุภาคหนึ่งโดยขับเคลื่อนด้วยเลเซอร์ หน่วยเหล่านี้มีคุณสมบัติทางกายภาพบางอย่าง ที่ทำให้น่าสนใจสำหรับการประมวลผลอ่างเก็บน้ำสะสมพลังงาน (reservoir computing)
“แต่ละหน่วยเหล่านี้สามารถประมวลผลข้อมูลได้ และหลายหน่วยก็ประกอบกันเป็นอ่างเก็บน้ำสะสมพลังงาน เราเปลี่ยนการเคลื่อนที่แบบหมุนของอนุภาคใน อ่างเก็บน้ำสะสมพลังงาน โดยใช้สัญญาณอินพุต ผลจากการหมุนที่เกิดขึ้นจะเป็นผลลัพธ์จากการคำนวณ” Dr. Xiangzun Wang อธิบาย “เช่นเดียวกับ neural networks อื่นๆ ระบบจำเป็นต้องได้รับการฝึกฝนเพื่อทำการคำนวณเฉพาะ”
นักวิจัยมีความสนใจเป็นพิเศษในเรื่อง สัญญาณรบกวน “เนื่องจากระบบของเรามีอนุภาคที่เล็กมากในน้ำ อ่างเก็บน้ำสะสมพลังงานจึงมีสัญญาณรบกวน รุนแรง คล้ายกับสัญญาณรบกวนที่โมเลกุลทั้งหมดในสมองต้องเผชิญ” Cichos กล่าว
” สัญญาณรบกวน ที่เกิดจากการเคลื่อนที่แบบบราวเนียนนี้ รบกวนการทำงานของ reservoir computer และมักจะต้องใช้ อ่างเก็บน้ำสะสมพลังงานขนาดใหญ่มากในการแก้ไข ในงานของเรา เราพบว่าการใช้ past states ของอ่างเก็บน้ำสะสมพลังงานสามารถปรับปรุงประสิทธิภาพของคอมพิวเตอร์ได้ ทำให้สามารถใช้อ่างเก็บน้ำสะสมพลังงาน ขนาดเล็กได้ สำหรับการคำนวณบางอย่างภายใต้สภาวะที่มีสัญญาณรบกวน”
Cichos เสริมว่าสิ่งนี้ไม่เพียงมีส่วนช่วยในด้านการประมวลผลข้อมูล active matter เท่านั้น แต่ยังให้วิธีการที่สามารถปรับการประมวลผลอ่างเก็บน้ำสะสมพลังงานให้เหมาะสม โดยการลดสัญญาณรบกวน (reducing noise)