เครือข่ายที่ปรับแต่งด้วยไฟฟ้าเรียนรู้ได้เร็ว

เครือข่ายที่ปรับแต่งด้วยไฟฟ้าเรียนรู้ได้เร็ว

ทีมนักวิจัยที่มหาวิทยาลัย ในเนเธอร์แลนด์ได้ใช้การเรียนรู้เชิงลึกซึ่งเป็นรูปแบบหนึ่งของปัญญาประดิษฐ์หรือ AI เพื่อปรับโครงสร้างอุปกรณ์นาโนอิเล็กทรอนิกส์ให้เหมาะสมเป็นครั้งแรก ตามที่หัวหน้าทีม กล่าวว่า วิธีการเดียวกันนี้สามารถใช้ในการปรับแต่งระบบควอนตัมดอทสำหรับการคำนวณแบบควอนตัม และโดยทั่วไปแล้วควรนำไปใช้กับระบบทางกายภาพขนาดใหญ่อื่นๆ ซึ่งพารามิเตอร์ควบคุมจำนวนมาก

ไม่สามารถ

ใช้งานได้เช่นเดียวกัน ก่อนหน้านี้ในปี 2020 และเพื่อนร่วมงานได้สร้างเครือข่ายสารเจือโบรอนในซิลิคอนที่ปรับค่าได้ทางไฟฟ้า อุปกรณ์นี้ประกอบด้วยขั้วหรือขั้วไฟฟ้าแปดขั้ว: เจ็ดขั้วทำหน้าที่เป็นอินพุตแรงดันไฟฟ้าและอีกขั้วหนึ่งทำหน้าที่เป็นเอาต์พุตกระแส สัญญาณของเอาต์พุตมาจากอิเล็กตรอน 

“กระโดด” จากอะตอมโบรอนหนึ่งไปยังอีกอะตอมหนึ่งในลักษณะที่ค่อนข้างคล้ายกับวิธีที่เซลล์ประสาทในสมองของเรา “ไฟ” เมื่อพวกมันทำงาน ดังนั้นแม้ว่าจะไม่ได้สั่งเครือข่าย แต่ก็มีสัญญาณเอาท์พุตและเป็นไปได้ที่จะ “บังคับทิศทาง” สัญญาณนี้ในทิศทางที่ต้องการโดยการเปลี่ยนแรงดันไฟฟ้า

บนอิเล็กโทรดควบคุมกระบวนการนี้เรียกอีกอย่างว่าวิวัฒนาการเทียม อธิบาย และแม้ว่าจะประสบความสำเร็จ แต่พิสูจน์ได้ว่ายุ่งยากในทางปฏิบัติ “แม้ว่าจะไม่ช้าเท่าวิวัฒนาการของดาร์วิน แต่ก็ยังค่อนข้างใช้เวลานานในการให้เครือข่ายทำในสิ่งที่คุณต้องการ” การใช้เครือข่ายประสาทการเรียนรู้เชิงลึก

สำหรับงานล่าสุดนี้ ทีมงานหันมาใช้โครงข่ายประสาทเทียมเชิงลึก (DNNs) แทน เครือข่ายเหล่านี้กลายเป็นเครื่องมือที่ใช้กันแพร่หลายมากขึ้นในการวิจัยทางวิทยาศาสตร์ ซึ่งโดยปกติแล้วเครือข่ายเหล่านี้จะใช้เพื่อสร้างแบบจำลองปรากฏการณ์ทางกายภาพที่ซับซ้อนหลังจากช่วงเริ่มต้นของ “การฝึกอบรม” 

กับตัวอย่างที่ได้จากข้อมูลการทดลอง เพื่อสร้างแบบจำลอง DNN ของอุปกรณ์นาโนอิเล็กทรอนิกส์  และเพื่อนร่วมงานเริ่มต้นด้วยการวัดสัญญาณเอาต์พุตของอุปกรณ์สำหรับการกำหนดค่าแรงดันไฟฟ้าอินพุตที่แตกต่างกัน จากนั้นพวกเขาใช้ข้อมูลเหล่านี้และเทคนิคการเรียนรู้เชิงลึกมาตรฐานเพื่อฝึกโมเดล 

ให้ “เข้าใจ” 

ว่าอุปกรณ์จริงทำงานอย่างไร แบบจำลองที่ได้จะทำนายกระแสไฟขาออกของอุปกรณ์ โดยพิจารณาจากการกำหนดค่าแรงดันไฟฟ้าขาเข้า อธิบายว่าวิธีนี้คล้ายกับวิธีที่งาน AI มาตรฐานแก้ไขโดยใช้ DNN “ในการเรียนรู้เชิงลึกแบบมาตรฐาน เราต้องค้นหาพารามิเตอร์ของตัวแบบเอง” เขากล่าว “สิ่งเหล่านี้

เป็นปัจจัยน้ำหนักระหว่างเซลล์ประสาทและค่าเกณฑ์ของเซลล์ประสาท นี่คือสิ่งที่เราเรียนรู้ในช่วงแรก: เราค้นหาพารามิเตอร์ของโมเดล DNN เอง เพื่อให้มันเลียนแบบอุปกรณ์ทางกายภาพ”เร็วกว่าเทคนิควิวัฒนาการประดิษฐ์ 100 เท่า ในขั้นตอนที่สองของการทำงาน นักวิจัยจะรักษาพารามิเตอร์

ของแบบจำลอง DNN ให้คงที่ เพื่อให้พวกเขาสามารถเรียนรู้พารามิเตอร์การควบคุมที่เหมาะสมที่สุด “ด้วยโมเดลนี้ เราสามารถค้นหาฟังก์ชันที่ต้องการได้” “สำหรับสิ่งนี้ เราเลือกอินพุตบางตัวเป็นพารามิเตอร์ควบคุม และบางตัวเป็นอินพุตข้อมูล เราค้นหาค่าควบคุมในโมเดล DNN อีกครั้งโดยใช้การเรียนรู้เชิงลึก 

เมื่อพวกเขาใช้ DNN เพื่อหาค่าที่ดีที่สุดสำหรับพารามิเตอร์ควบคุมแล้ว นักวิจัยสามารถใช้ค่าเหล่านี้เป็นแรงดันไฟฟ้ากับขั้วที่สอดคล้องกันในอุปกรณ์นาโนอิเล็กทรอนิกส์จริงได้ เนื่องจาก DNN เป็นแบบจำลองของอุปกรณ์จริง กระแสไฟขาออกจึงควรทำงานในลักษณะที่ต้องการ

กลุ่มพบว่าวิธีการใหม่นี้ทำงานได้เร็วกว่าวิวัฒนาการประดิษฐ์ที่ใช้ก่อนหน้านี้ประมาณ 100 เท่า “ด้วยวิธีการใหม่นี้ เราสามารถเพิ่มประสิทธิภาพอุปกรณ์นาโนอิเล็กทรอนิกส์ด้วยเทอร์มินัลจำนวนมาก และแม้แต่ปรับระบบให้เหมาะสมซึ่งวงจรนาโนอิเล็กทรอนิกส์ที่ซับซ้อนจำนวนมากเชื่อมต่อกัน” อธิบาย 

“ระบบดังกล่าวคาดว่าจะเพิ่มความซับซ้อนในอีกไม่กี่ปีข้างหน้า ตัวอย่างเช่น เทคโนโลยีการประมวลผลข้อมูลแบบใหม่ เช่น การคำนวณด้วยควอนตัมและการคำนวณแบบนิวโรมอร์ฟิก” ปรับขนาดได้และใช้ได้กับงานที่ซับซ้อนและเพื่อนร่วมงานยังพบว่าวิธีการของพวกเขาใช้ได้กับงานที่มีความซับซ้อนเพิ่มขึ้น 

หลังจาก

ประสบความสำเร็จในการสาธิตบูลีนเกทบนอุปกรณ์นาโนอิเล็กทรอนิกส์ของพวกเขา พวกเขายังแสดงให้เห็นว่าอุปกรณ์ดังกล่าวสามารถดำเนินการจัดหมวดหมู่แบบไบนารีและงาน “แผนที่คุณลักษณะ” ซึ่งพิกเซลขนาด 2 × 2 จะถูกแมปกับค่าปัจจุบัน (งานย่อยของค่าที่สูงกว่า- งานจำแนกภาพระดับ) 

 ในอนาคต ในขั้นตอนต่อไป ทีมงานวางแผนที่จะสร้างระบบขนาดใหญ่ที่ประหยัดพลังงานมากขึ้นของอุปกรณ์เครือข่ายเจือปนที่เชื่อมต่อถึงกัน เพื่อประสิทธิภาพ AI ที่ล้ำสมัยนักวิจัยกล่าวว่างานสองชิ้นสุดท้ายนี้น่าจะท้าทายมากหากปราศจากวิธีการใหม่นี้ในทางคณิตศาสตร์สิ่งนี้ทำให้สิ่งเดียวกัน: 

คือสมัครขอรับเงินช่วยเหลือมูลค่า 25,000 ดอลลาร์จากรัฐเคนตักกี้ผ่าน “กองทุนรวมแนวคิด” ที่มุ่งเป้าไปที่บริษัทที่เพิ่งเริ่มต้นในระยะเริ่มต้น ฉันได้รับเงินทุนนี้ในเดือนพฤศจิกายน 2550 และทำให้ฉันสามารถสร้างเว็บไซต์สำหรับ เตรียมตัวอย่างการประเมินสำหรับผู้มีโอกาสเป็นลูกค้าที่ใช้สิ่งอำนวยความสะดวก

และพัฒนาแผนธุรกิจ กองทุนขนาดเล็กนี้มีส่วนสำคัญต่อความสำเร็จเพราะช่วยให้ฉันพบลูกค้าสองสามรายที่พร้อมจะจ่ายเงินซื้อผลิตภัณฑ์ของบริษัทในช่วงแรกนี้ ฉันเริ่มทำงานร่วมกับนักฟิสิกส์ และวิศวกรเครื่องกล ที่มหาวิทยาลัย  ในรัฐอินเดียนาที่อยู่ใกล้เคียง จากความร่วมมือนี้ 

ในปี 2552 ได้รับเงินทุนจากสถาบันสุขภาพแห่งชาติของสหรัฐอเมริกา ทุนสนับสนุนของ NIH นี้ช่วยให้เราสามารถแสดงให้เห็นว่าเข็มนาโนสามารถใช้เป็น “นาโนแคนไทล์เวอร์” สำหรับการตรวจจับจำนวนมาก เช่นเดียวกับการวัดแรงอันตรกิริยาที่ระดับพิโคนิวตัน (10 –12  นิวตัน)

credit : สล็อตเว็บตรง100 / ดูหนังฟรี / 50รับ100