Choć sztuczna inteligencja coraz bardziej zadziwia nawet znawców tej dziedziny, to obecnie wymaga olbrzymich zasobów obliczeniowych i energetycznych. Dlatego naukowcy szukają doskonalszych alternatyw, a jedną z opcji są komputery neuromorficzne – takie, których fizyczna budowa wzorowana jest na mózgu.

W tego typu urządzeniach zamiast cyfrowego symulowania neuronów stosowane są fizyczne układy przypominające budową komórki nerwowe.

Zespół z University of Texas, Dallas (USA) zbudował właśnie nieduży prototyp komputera tego typu (https://doi.org/10.1038/s44172-025-00479-2). Podobnie jak tradycyjna SI komputer ten potrafi rozpoznawać wzorce i dokonywać przewidywań, ale przy nieporównanie krótszym treningu.

„Nasza praca pokazuje nową, obiecującą metodę tworzenia komputerów inspirowanych mózgiem, które potrafią uczyć się samodzielnie. Ponieważ komputery neuromorficzne nie wymagają do treningu ogromnych nakładów obliczeniowych, mogłyby zasilać inteligentne urządzenia bez wysokich kosztów energetycznych” – mówi prof. Joseph S. Friedman, twórca wynalazku opisanego na łamach magazynu „Communications Engineering”.

Jedną z głównych zalet nowego systemu jest to, że zastosowane w nim syntetyczne neurony, podobnie jak żywe, łączą przetwarzanie danych z ich przechowywaniem.

W tradycyjnych komputerach jest inaczej – przetwarzaniem danych zajmuje się procesor, a informacje przechowywane są osobno – w pamięci operacyjnej.

W przedstawionym właśnie systemie wykorzystano też tzw. prawo Hebba (od nazwiska neuropsychologa Donalda Hebba): jeśli dwa neurony aktywują się jednocześnie, wzmacniają między sobą połączenie.

„Zasada, którą wykorzystujemy, aby komputer mógł uczyć się samodzielnie, polega na tym, że jeśli jeden sztuczny neuron powoduje pobudzenie innego neuronu, to łącząca je synapsa zaczyna silniej przewodzić sygnały” – wyjaśnił prof. Friedman.

Główną innowacją jest jednak zastosowanie magnetycznych złączy tunelowych – wykonanych w nanoskali urządzeń, składających się z dwóch warstw materiału magnetycznego, oddzielonych warstwą izolacyjną.

Elektrony mogą przenikać (czyli „tunelować”) przez tę barierę łatwiej, gdy pola magnetyczne warstw są skierowane w tym samym kierunku, a trudniej, gdy są skierowane w kierunkach przeciwnych.

W systemach neuromorficznych tego typu złącza mogą być grupowane w sieci, co pozwala naśladować sposób, w jaki mózg przetwarza informacje i uczy się rozpoznawania wzorców.

Gdy sygnały przechodzą przez złącza w skoordynowany sposób, ich połączenia dostosowują się, wzmacniając określone ścieżki – podobnie jak połączenia synaptyczne w mózgu są utrwalane w trakcie uczenia się.

Marek Matacz (PAP)

mat/ bar/