Ένας νέος τεχνητός νευρώνας που πυροδοτεί σήματα όπως τα ανθρώπινα εγκεφαλικά κύτταρα θα μπορούσε να χρησιμοποιηθεί για την επεξεργασία δεδομένων με υπερβολικές ταχύτητες.
Ανακάλυψη νέου «laser-based» τεχνητού νευρώνα
Επιστήμονες ανέπτυξαν έναν υπερταχύ νευρώνα που στηρίζεται σε laser και μιμείται ένα βιολογικό νευρικό κύτταρο. Αυτός ο τεχνητός νευρώνας θα μπορούσε να ενισχύσει την υπερυψηλή υπολογιστική ταχύτητα και τις εφαρμογές τεχνητής νοημοσύνης (AI), σύμφωνα με τους ερευνητές.
Οι τεχνητοί νευρώνες μιμούνται τα νευρικά κύτταρα, ενεργοποιούμενοι όταν φτάσουν σε ένα ορισμένο όριο πληροφορίας. Όταν ένας βιολογικός νευρώνας δέχεται αρκετές πληροφορίες, δημιουργεί έναν ηλεκτρικό παλμό για να επικοινωνήσει με άλλους νευρώνες. Ομοίως, οι τεχνητοί νευρώνες επεξεργάζονται και μεταδίδουν υπολογιστικά δεδομένα μόλις δεχτούν μια συγκεκριμένη ποσότητα σχετικών δεδομένων.
Περιορισμοί των υφιστάμενων νευρώνων και λύση του νέου τεχνητού νευρώνα
Οι υπάρχοντες τεχνητοί νευρώνες, γνωστοί ως φωτονικοί σπινθηροβόλοι νευρώνες, μιμούνται τα βιολογικά σπινθηροβόλα κύτταρα, αντιδρώντας σε αυτά τα σήματα εισόδου με εκρήξεις τύπου «όλα ή τίποτα», ενεργοποιώντας και απενεργοποιώντας τα σήματα.
Ωστόσο, ο τρόπος με τον οποίο οι νευρώνες δέχονται αυτά τα σήματα εισόδου σημαίνει ότι, για μικρό χρονικό διάστημα μετά από κάθε έκρηξη, δεν μπορούν να ανταποκριθούν σε νέα σήματα. Αυτή η σύντομη περίοδος επαναφοράς θέτει περιορισμό στην ταχύτητα των υπολογισμών που εκτελούνται με τεχνητούς σπινθηροβόλους νευρώνες.
Η καινοτομία του νέου συστήματος νευρώνα με laser
Οι νέοι τεχνητοί νευρώνες μεταδίδουν πληροφορίες μέσω «βαθμονομημένων» σημάτων με μεταβλητή ένταση. Στη νέα μελέτη, που δημοσιεύτηκε στις 19 Δεκεμβρίου 2024 στο περιοδικό Optica, οι ερευνητές χρησιμοποίησαν ένα σύστημα βαθμονομημένων νευρώνων για να ξεπεράσουν τον περιορισμό ταχύτητας των σπινθηροβόλων νευρώνων.
Όπως ένας βιολογικός μη σπινθηροβόλος νευρώνας, το σύστημα με laser παρήγαγε όλο και ισχυρότερα σήματα εξόδου σε απάντηση σε διαδοχικά ερεθίσματα, οπότε δε χρειαζόταν την ίδια περίοδο επαναφοράς που απαιτούν οι σπινθηροβόλοι νευρώνες.
Ως αποτέλεσμα, ο νέος τεχνητός νευρώνας με laser μετέδωσε δεδομένα έως και 100.000 φορές πιο γρήγορα από τους τεχνητούς σπινθηροβόλους νευρώνες.
Εφαρμογές στον τομέα της υγειονομικής περίθαλψης και εκπαίδευσης
Οι ερευνητές ενσωμάτωσαν τον βαθμονομημένο νευρώνα σε ένα σύστημα υπολογιστικής δεξαμενής – έναν τύπο τεχνητού νευρωνικού δικτύου που επεξεργάζεται δεδομένα με χρονική εξάρτηση.
Χρησιμοποίησαν αυτό το σύστημα για να σαρώσουν 700 δείγματα καρδιακών παλμών για αρρυθμίες. Η δεξαμενή επεξεργάστηκε αυτούς τους παλμούς με ταχύτητα 100 εκατομμύρια παλμών ανά δευτερόλεπτο, πολύ πιο γρήγορα από τα σπινθηροβόλα νευρωνικά δίκτυα.
Το νέο σύστημα ανίχνευσε τα αρρυθμικά μοτίβα με ακρίβεια άνω του 98%. Σε ένα ξεχωριστό πείραμα, το σύστημα ανέλυσε και κατηγοριοποίησε χειρόγραφα αριθμούς με ταχύτητα σχεδόν 35 εκατομμυρίων ψηφίων ανά δευτερόλεπτο και ακρίβεια 92%.
Αξιοποίηση και ανάπτυξη της τεχνολογίας
Με ισχυρές δυνατότητες μνήμης και εξαιρετική ικανότητα επεξεργασίας πληροφοριών, ένας μόνο νευρώνας με laser μπορεί να συμπεριφέρεται σαν ένα μικρό νευρωνικό δίκτυο, δήλωσε η συν-συγγραφέας της μελέτης, Chaoran Huang, μηχανικός στο Κινεζικό Πανεπιστήμιο του Χονγκ Κονγκ.
«Ως εκ τούτου, ακόμα και ένας μόνο βαθμονομημένος νευρώνας με laser χωρίς πρόσθετες σύνθετες συνδέσεις μπορεί να εκτελεί εργασίες μηχανικής μάθησης με υψηλή απόδοση»
Η σύνδεση πολλών βαθμονομημένων νευρώνων θα μπορούσε να προσφέρει ακόμη μεγαλύτερη υπολογιστική δύναμη.
«Σε αυτήν την εργασία, χρησιμοποιήσαμε έναν μόνο βαθμονομημένο νευρώνα με laser, αλλά πιστεύουμε ότι η αλυσίδωση πολλών τέτοιων νευρώνων θα απελευθερώσει περαιτέρω το δυναμικό τους, ακριβώς όπως ο εγκέφαλος έχει δισεκατομμύρια νευρώνες που συνεργάζονται σε δίκτυα», είπε ο Huang.
Η τεχνολογία αυτή θα μπορούσε να επιταχύνει τη λήψη αποφάσεων από συστήματα τεχνητής νοημοσύνης σε εφαρμογές που απαιτούν γρήγορες αντιδράσεις, διατηρώντας παράλληλα υψηλή ακρίβεια.
«Ελπίζουμε ότι η ενσωμάτωση της τεχνολογίας μας σε συσκευές edge computing – που επεξεργάζονται δεδομένα κοντά στην πηγή τους – θα διευκολύνει ταχύτερα και πιο έξυπνα συστήματα τεχνητής νοημοσύνης που θα εξυπηρετούν καλύτερα πραγματικές εφαρμογές με μειωμένη κατανάλωση ενέργειας στο μέλλον», πρόσθεσε ο Huang.