ทีมนักวิจัยจากมหาวิทยาลัย Twente ในประเทศเนเธอร์แลนด์ได้ใช้การเรียนรู้เชิงลึก ซึ่งเป็นรูปแบบของปัญญาประดิษฐ์หรือ AI เพื่อเพิ่มประสิทธิภาพโครงสร้างของอุปกรณ์นาโนอิเล็กทรอนิกส์เป็นครั้งแรก ตามที่หัวหน้าทีมWilfred Van der Wielวิธีการเดียวกันนี้ยังสามารถใช้เพื่อปรับแต่งระบบควอนตัมดอทสำหรับการคำนวณด้วยควอนตัม และโดยทั่วไปควรนำไปใช้กับระบบทางกายภาพขนาดใหญ่อื่นๆ
ซึ่งพารามิเตอร์การควบคุมจำนวนมาก
ไม่พร้อมใช้งานเช่นเดียวกันก่อนหน้านี้ในปี 2020 Van der Wiel และเพื่อนร่วมงานได้สร้างเครือข่ายสารเจือโบรอนในซิลิกอนที่ปรับแต่งได้ทางไฟฟ้า อุปกรณ์นี้มีขั้วหรืออิเล็กโทรดแปดขั้ว: เจ็ดขั้วที่ทำหน้าที่เป็นอินพุตแรงดันไฟฟ้าและอีกขั้วหนึ่งที่ใช้เป็นเอาต์พุตปัจจุบัน สัญญาณของเอาต์พุตมาจากอิเล็กตรอน “กระโดด” จากอะตอมโบรอนหนึ่งไปยังอีกอะตอมหนึ่งในลักษณะที่คล้ายกับวิธีที่เซลล์ประสาทในสมองของเรา “ยิง” เมื่อพวกเขาทำงาน ดังนั้น แม้ว่าเครือข่ายจะไม่ได้รับคำสั่ง แต่ก็มีสัญญาณเอาท์พุต และเป็นไปได้ที่จะ “บังคับ” สัญญาณนี้ไปในทิศทางที่ต้องการโดยการเปลี่ยนแรงดันไฟฟ้าบนอิเล็กโทรดควบคุม
กระบวนการนี้เรียกอีกอย่างว่าวิวัฒนาการประดิษฐ์ Van der Wiel อธิบายและถึงแม้จะประสบความสำเร็จ แต่ก็พิสูจน์ให้เห็นถึงความยุ่งยากในทางปฏิบัติ “ถึงแม้จะไม่ช้าเท่าวิวัฒนาการของดาร์วิน แต่ก็ยังใช้เวลานานมากที่จะให้เครือข่ายทำในสิ่งที่คุณต้องการ” เขากล่าวกับPhysics World
การใช้ประโยชน์จากโครงข่ายประสาทเทียมเชิงลึกสำหรับงานล่าสุดนี้ ทีม Twente ได้เปลี่ยนมาใช้ Deep Neural Network (DNNs) แทน เครือข่ายเหล่านี้ได้กลายเป็นเครื่องมือที่ใช้กันทั่วไปมากขึ้นในการวิจัยทางวิทยาศาสตร์ ซึ่งโดยทั่วไปจะใช้เพื่อสร้างแบบจำลองปรากฏการณ์ทางกายภาพที่ซับซ้อนหลังจากช่วงเริ่มต้นของ “การฝึกอบรม” กับตัวอย่างที่ดึงมาจากข้อมูลการทดลอง
ในการสร้างแบบจำลอง DNN ของอุปกรณ์นาโนอิเล็กทรอนิกส์
Van der Wiel และเพื่อนร่วมงานได้เริ่มต้นโดยการวัดสัญญาณเอาท์พุตของอุปกรณ์สำหรับการกำหนดค่าแรงดันไฟฟ้าอินพุตที่แตกต่างกันจำนวนมาก จากนั้นจึงใช้ข้อมูลเหล่านี้และเทคนิคการเรียนรู้เชิงลึกมาตรฐานเพื่อฝึกโมเดล DNN ของตนให้ “เข้าใจ” ว่าอุปกรณ์จริงทำงานอย่างไร แบบจำลองที่ได้จะทำนายกระแสไฟขาออกของอุปกรณ์ตามการกำหนดค่าแรงดันไฟฟ้าขาเข้า Van de Wiel อธิบายว่าแนวทางนี้คล้ายกับวิธีแก้ไขงาน AI มาตรฐานโดยใช้ DNN “ในการเรียนรู้เชิงลึกมาตรฐาน เราต้องหาพารามิเตอร์ของตัวแบบเอง” เขากล่าว “สิ่งเหล่านี้คือปัจจัยน้ำหนักระหว่างเซลล์ประสาทและค่าธรณีประตูของเซลล์ประสาท นี่คือสิ่งที่เราเรียนรู้ในระยะแรก: เราพบพารามิเตอร์ของโมเดล DNN เอง เพื่อที่จะเลียนแบบอุปกรณ์จริง”
เร็วกว่าเทคนิคการวิวัฒนาการประดิษฐ์ 100 เท่า
ในระยะที่สองของการทำงาน นักวิจัยจะเก็บพารามิเตอร์ของค่าคงที่ของแบบจำลอง DNN เพื่อให้พวกเขาสามารถเรียนรู้พารามิเตอร์ควบคุมที่เหมาะสมที่สุด “ด้วยโมเดลนี้ เราสามารถค้นหาฟังก์ชันที่ต้องการได้” Van der Wiel กล่าว “สำหรับสิ่งนี้ เราเลือกอินพุตบางส่วนเป็นพารามิเตอร์ควบคุม และส่วนอื่นๆ เป็นอินพุตข้อมูล เราค้นหาค่าควบคุมในโมเดล DNN อีกครั้งโดยใช้การเรียนรู้เชิงลึก ในทางคณิตศาสตร์ เรื่องนี้ทำให้เป็นเรื่องเดียวกัน: อีกครั้ง เราต้องปรับพารามิเตอร์ให้เหมาะสมเพื่อค้นหาผลลัพธ์ที่ต้องการ”
วิลเฟรด ฟาน เดอร์ วีลในห้องปฏิบัติการ (มารยาท: มหาวิทยาลัย Twente)
เมื่อพวกเขาได้ใช้ DNN เพื่อค้นหาค่าที่ดีที่สุดสำหรับพารามิเตอร์ควบคุมแล้ว นักวิจัยสามารถใช้ค่าเหล่านี้เป็นแรงดันไฟฟ้ากับขั้วที่เกี่ยวข้องในอุปกรณ์นาโนอิเล็กทรอนิกส์จริงได้ เนื่องจาก DNN เป็นแบบจำลองของอุปกรณ์จริง กระแสไฟขาออกจึงควรทำงานในลักษณะที่ต้องการ
กลุ่มพบว่าวิธีการใหม่นี้ทำงานได้เร็วกว่าวิวัฒนาการ
ประดิษฐ์ที่พวกเขาเคยใช้มาก่อนประมาณ 100 เท่า Van der Wiel อธิบาย “ด้วยวิธีใหม่นี้ เราสามารถเพิ่มประสิทธิภาพอุปกรณ์นาโนอิเล็กทรอนิกส์ด้วยเทอร์มินัลจำนวนมาก และแม้กระทั่งเพิ่มประสิทธิภาพระบบที่มีวงจรนาโนอิเล็กทรอนิกส์ที่ซับซ้อนจำนวนมากควบคู่ไปด้วย” “ระบบดังกล่าวคาดว่าจะมีความซับซ้อนเพิ่มขึ้นในอีกไม่กี่ปีข้างหน้า เช่น เทคโนโลยีการประมวลผลข้อมูลแบบใหม่ เช่น คอมพิวเตอร์ควอนตัมและการประมวลผลแบบนิวโรมอร์ฟิค”
ปรับขนาดได้และใช้ได้กับงานที่ซับซ้อนVan der Wiel และเพื่อนร่วมงานยังพบว่าวิธีการของพวกเขาใช้ได้ผลกับงานที่มีความซับซ้อนมากขึ้น หลังจากประสบความสำเร็จในการสาธิตบูลีนเกทบนอุปกรณ์นาโนอิเล็กทรอนิกส์แล้ว พวกเขาได้แสดงต่อไปว่าอุปกรณ์ดังกล่าวสามารถจัดหมวดหมู่แบบไบนารีและงาน “ฟีเจอร์แมป” ซึ่งแพทช์พิกเซล 2 × 2 จะถูกจับคู่กับค่าปัจจุบัน (งานย่อยที่สูงกว่า- งานจำแนกภาพระดับ) นักวิจัยกล่าวว่างานสองชิ้นสุดท้ายนี้จะเป็นเรื่องที่ท้าทายมากหากปราศจากวิธีการใหม่นี้โครงข่ายประสาทอธิบาย
อุปกรณ์เครือข่ายสารเจือปนที่อธิบายไว้ในการศึกษานี้ ซึ่งตีพิมพ์ในNature Nanotechnologyสามารถใช้สำหรับการคำนวณ neuromorphic ได้ในอนาคต ในขั้นตอนต่อไป ทีมงานวางแผนที่จะสร้างระบบขนาดใหญ่ที่มีประสิทธิภาพด้านพลังงานมากขึ้นของอุปกรณ์เครือข่ายสารเจือปนที่เชื่อมต่อถึงกันเพื่อประสิทธิภาพ AI ที่ล้ำสมัย
นักวิจัยได้ทำการตรวจสอบภายนอกโดยใช้ angiograms 400 CT เพิ่มเติม ในจำนวนนี้ 188 มีโป่งพอง (206, ขนาด 1 ถึง 22 มม.) และ 212 เป็นลบ การตรวจสอบความถูกต้องดำเนินการโดยนักรังสีวิทยาสี่คนที่มีประสบการณ์ระหว่างหนึ่งถึงเจ็ดปีในการตรวจหลอดเลือดหัวใจด้วยเครื่อง CT
นักรังสีวิทยาแต่ละคนได้รับการสุ่มกำหนด 200 CT angiograms สำหรับการตีความโดยมี/ไม่มีความช่วยเหลือจากอัลกอริธึม สำหรับแต่ละภาพ พวกเขาบันทึกประเภท จำนวน สถานที่และขนาดของโป่งพอง และเวลาการวินิจฉัย สองสัปดาห์ต่อมา พวกเขาตีความตัวอย่างเดียวกันอีกครั้ง โดยไม่ต้องใช้/ด้วยอัลกอริทึม
Credit : cialisonlinegenericcialistyh.com civilaircraftregisters.org cocktailz.org collectifpolaire.org collective2012.com