Kwantummateriaal vertoont ‘niet-lokaal’ gedrag dat de hersenfunctie nabootst

We denken vaak dat computers efficiënter zijn dan mensen. Computers kunnen immers in een oogwenk een complexe wiskundige vergelijking afmaken en kunnen ook de naam van die ene acteur die we steeds vergeten, onthouden. Het menselijk brein kan ingewikkelde informatielagen echter snel, nauwkeurig en met bijna geen energie-input verwerken: een gezicht herkennen na het slechts één keer te hebben gezien of onmiddellijk het verschil weten tussen een berg en de oceaan.

Deze eenvoudige menselijke taken vereisen een enorme verwerking en energie-input van computers, en zelfs dan, met een verschillende mate van nauwkeurigheid.

Het creëren van hersenachtige computers met minimale energievereisten zou een revolutie teweegbrengen in bijna elk aspect van het moderne leven. Quantum Materials for Energy Efficient Neuromorphic Computing (Q-MEEN-C) – een landelijk consortium onder leiding van de Universiteit van Californië in San Diego – heeft een voortrekkersrol gespeeld bij dit onderzoek.

UC San Diego Universitair docent natuurkunde Alex Frañó is mededirecteur van Q-MEEN-C en denkt aan het werk van het centrum in fasen. In de eerste fase werkte hij nauw samen met emeritus president van de Universiteit van Californië en natuurkundeprofessor Robert Dynes, evenals Rutgers Professor of Engineering Shriram Ramanathan. Samen slaagden hun teams erin manieren te vinden om de eigenschappen van een enkel hersenelement (zoals een neuron of synaps) in een kwantummateriaal te creëren of na te bootsen.

Nu, in fase twee, nieuw onderzoek van Q-MEEN-C, gepubliceerd in Nano-brieven, laat zien dat elektrische prikkels die tussen naburige elektroden worden doorgegeven, ook niet-naburige elektroden kunnen beïnvloeden. Deze ontdekking, bekend als non-lokaliteit, is een cruciale mijlpaal in de reis naar nieuwe soorten apparaten die hersenfuncties nabootsen die bekend staan ​​als neuromorphic computing.

“In de hersenen wordt begrepen dat deze niet-lokale interacties nominaal zijn – ze gebeuren vaak en met minimale inspanning”, aldus Frañó, een van de co-auteurs van het artikel. “Het is een cruciaal onderdeel van hoe de hersenen werken, maar soortgelijk gedrag dat wordt gerepliceerd in synthetische materialen is schaars.”

Zoals veel onderzoeksprojecten die nu hun vruchten afwerpen, ontstond tijdens de pandemie het idee om te testen of non-lokaliteit in kwantummaterialen mogelijk was. Fysieke labruimten waren gesloten, dus voerde het team berekeningen uit op arrays die meerdere apparaten bevatten om de meerdere neuronen en synapsen in de hersenen na te bootsen. Bij het uitvoeren van deze tests ontdekten ze dat non-lokaliteit theoretisch mogelijk was.

Toen de laboratoria weer opengingen, verfijnden ze dit idee verder en schakelden ze UC San Diego Jacobs School of Engineering Universitair hoofddocent Duygu Kuzum in, wiens werk in elektrische en computertechniek hen hielp een simulatie om te zetten in een echt apparaat.

Dit omvatte het nemen van een dunne laag nikkelaat – een keramisch “kwantummateriaal” met rijke elektronische eigenschappen – waarin waterstofionen werden ingebracht en vervolgens een metalen geleider erop werd geplaatst. Aan het metaal is een draad bevestigd zodat een elektrisch signaal naar het nikkelaat gestuurd kan worden. Het signaal zorgt ervoor dat de gelachtige waterstofatomen in een bepaalde configuratie komen en wanneer het signaal wordt verwijderd, blijft de nieuwe configuratie behouden.

“Dit is in wezen hoe een herinnering eruit ziet”, aldus Frañó. “Het apparaat onthoudt dat je het materiaal hebt verstoord. Nu kun je fijn afstemmen waar die ionen naartoe gaan om paden te creëren die meer geleidend zijn en waar elektriciteit gemakkelijker doorheen kan stromen.”

Traditioneel vereist het creëren van netwerken die voldoende elektriciteit transporteren om zoiets als een laptop van stroom te voorzien ingewikkelde circuits met doorlopende verbindingspunten, wat zowel inefficiënt als duur is. Het ontwerpconcept van Q-MEEN-C is veel eenvoudiger omdat het niet-lokale gedrag in het experiment betekent dat alle draden in een circuit niet met elkaar verbonden hoeven te zijn. Denk aan een spinnenweb, waarbij beweging in een deel voelbaar is over het hele web.

Dit is analoog aan hoe de hersenen leren: niet lineair, maar in complexe lagen. Elk leerstuk creëert verbindingen in meerdere hersengebieden, waardoor we niet alleen bomen van honden kunnen onderscheiden, maar ook een eik van een palmboom of een golden retriever van een poedel.

Tot op heden kunnen deze patroonherkenningstaken, die de hersenen zo mooi uitvoeren, alleen via computersoftware worden gesimuleerd. AI-programma’s zoals ChatGPT en Bard gebruiken complexe algoritmen om hersenactiviteiten zoals denken en schrijven na te bootsen. En dat doen ze hartstikke goed. Maar zonder dienovereenkomstig geavanceerde hardware om het te ondersteunen, bereikt de software op een gegeven moment zijn limiet.

Frañó staat te popelen om een ​​hardwarerevolutie die parallel loopt aan de huidige met software, en die laat zien dat het mogelijk is om niet-lokaal gedrag te reproduceren in een synthetisch materiaal, wetenschappers een stap dichterbij. De volgende stap omvat het maken van complexere arrays met meer elektroden in meer uitgebreide configuraties.

“Dit is een zeer belangrijke stap voorwaarts in onze pogingen om hersenfuncties te begrijpen en te simuleren”, zegt Dynes, die ook co-auteur is. “Het tonen van een systeem dat niet-lokale interacties heeft, leidt ons verder in de richting van hoe onze hersenen denken. Onze hersenen zijn natuurlijk veel gecompliceerder dan dit, maar een fysiek systeem dat in staat is om te leren, moet zeer interactief zijn en dit is een noodzakelijke eerste stap. We kunnen nu denken aan coherentie op grotere afstand in ruimte en tijd.”

“Het is algemeen bekend dat om deze technologie echt te laten ontploffen, we manieren moeten vinden om de hardware te verbeteren – een fysieke machine die de taak kan uitvoeren in combinatie met de software”, aldus Frañó. “De volgende fase zal er een zijn waarin we efficiënte machines maken waarvan de fysieke eigenschappen degenen zijn die het leren doen. Dat zal ons een nieuw paradigma geven in de wereld van kunstmatige intelligentie.”