De spelende onderzoeker Logan Wright (afb: Cornell)

Kunstmatige intelligentie (ki) zit voor ons eenvoudige aardlingen vast aan stevige computers, maar volgens Logan Wright van de Cornelluniversiteit is dat helemaal niet nodig. Dat kun je, bijvoorbeeld ook doen met metaalplaten en geluid. Hij en zijn medeonderzoekers demonstreerden dat zulke systemen, die ze fysieke neurale netwerken noemen, bij het herkennen van handgeschreven cijfers een nauwkeurigheid tussen de 87% en 97% kon halen.
Stel je voor dat een strijkijzer of een koekenpan het hart is van jouw neurale systeem dat losjes de manier van werken nadoet zoals we ons voorstellen dat onze hersens werken, dat is zo’n beetje het idee van Wright en zijn makkers. In principe, zo dachten ze, moet zo’n systeem beelden en spraak sneller en beter kunnen herkennen dan computerprogramma’s die afhankelijk zijn van siliciumplakjes. “Alles kan een computer zijn”, zegt Wright. “Wij proberen een manier en de materialen te vinden om dat te doen.”
Hedendaagse neurale netwerken werken meestal met grafische processoren. De grootste voeren miljoenen of zelfs miljarden berekeningen uit om, bijvoorbeeld, een zet in schaken te bedenken of een woord in een stuk proza. Zelfs met gespecialiseerde systemen kost dat een hoop tijd en, dus, energie. Wright c.s. bedachten dat ook gewone voorwerpen ‘communiceren’ maar op een passieve manier als reactie op stimuli. Een waterput weerkaatst wat je er in roept.
Om het idee vorm te geven bouwden ze drie types fysieke neurale netwerken, met elk vijf verwerkingslagen. In elke laag van het mechanisch systeem gebruikten ze een luidspreker om een metalen plaat te laten trillen en legden het resultaat vast met een microfoon. In een optisch systeem lieten ze licht via kristallen lopen. In een analoog elektronisch systeem lieten ze stroompjes lopen door kleine stroomkringen.
Elk van de drie systemen kreeg de informatie aangereikt van willekeurige plaatjes in de vorm van geluid, licht of spanning. Elke verwerkingslaag gaven ze gecodeerde numerieke parameters mee hoe ze met de invoer moesten omgaan. Om hun neurale systemen wijzer te maken, pasten ze die parameters aan om het aantal fouten te verminderen.

87% tot 97%

Zo oefenden ze met de systemen om handgeschreven cijfers te herkennen of gesproken letters. Daarbij behaalden ze de genoemde nauwkeurigheidprecentages. Wright houdt de mogelijkheid open om de tussentijdse aanpassingen van de parameters niet digitaal te doen, maar bijvoorbeeld door het vervormen van de plaat.

Lenka Zdeborová van de technische hogeschool in Lausanne, die niet bij het onderzoek betrokken was, vond het idee opmerkelijk, maar ze zou het wel eens willen zien toegepast op lastiger problemen. Damien Querlioz van CNRS (F) denkt dat de ontwikkeling school zal maken.
Wright denkt vooral voor toepassingen aan slimme sensoren die razendsnel werken in microscopen, in (uiteraard) slimme microfoons in je telefoon en dergelijke. Dat zijn volgens hem toepassingen die je niet direct zou associëren met zelflerende systemen maar ziet als functionele machines.

Bron: Science