Werken aan gepersonaliseerde slimme computers

Computers zijn overal: in onze zakken, op ons werk en in onze auto's. Sommige daarvan zijn geavanceerd op het gebied van kunstmatige intelligentie (KI). Toch zijn er nog geen lopende en pratende robots. Steve Abreu ontwerpt bij CogniGron programmeermethoden voor neuromorfische computers. Hij legt uit waarom ons brein slimmer is dan computers.

_{Door Steve Abreu / Foto's: Henk Veenstra}

Sommige computers zijn de afgelopen jaren steeds ‘slimmer’ geworden. De Deep Blue-computer van IBM won ruim twintig jaar geleden een potje schaak van Garry Kasparov. Zes jaar geleden versloeg het AlphaGo-systeem van Google Lee Sedol bij het spel go. Twee jaar geleden schreef het GPT-3-systeem van OpenAI een artikel in The Guardian, waarin betoogd werd dat de mens zich geen zorgen hoeft te maken over KI. Het artikel was geredigeerd door een menselijke redacteur, maar de inhoud was gegenereerd door GPT-3. Het staat buiten kijf dat kunstmatige intelligentie in korte tijd een indrukwekkende ontwikkeling heeft doorgemaakt.

Brein versus computer

Toch zijn er nog steeds geen zelfrijdende auto's. Er zijn nog steeds geen lopende en pratende robots die ons dagelijks leven gemakkelijker maken. Hoe komt dat? Voor mijn promotieonderzoek aan het Bernoulli Instituut houd ik me bezig met de verdere ontwikkeling van KI met behulp van nieuwe computers. Deze onderzoekslijn werpt diepgaande vragen op, niet alleen over technologie maar ook over wat intelligentie eigenlijk is. Wat houdt de verdere ontwikkeling van KI tegen? Waarom is ons brein slimmer dan onze computers?

‘Wetware’ in plaats van hardware

Ten eerste moeten we ons realiseren dat kunstmatige intelligentie iets heel anders is dan menselijke intelligentie. Het verschil ligt voor de hand: KI draait op digitale hardware, die stap voor stap digitale informatie verwerkt op basis van geprogrammeerde regels of algoritmen. Menselijke intelligentie draait op biologische ‘wetware’, waarbij in miljarden neuronen tegelijk informatie wordt verwerkt op basis van fysieke dynamica en chemische reacties. Als we computers willen bouwen die kunnen autorijden, lopen en praten, moeten we ons laten inspireren door ons brein.

Lerende systemen

De hedendaagse ontwikkeling van KI is nu al voor een groot deel te danken aan deep learning, waarbij modellen van neurale netwerken op digitale computers worden gesimuleerd. Dergelijke modellen kan worden aangeleerd om taken uit te voeren zonder daartoe expliciet geprogrammeerd te zijn. Zo kunnen we een Deep Learning-systeem leren om verschillende gezichten te herkennen zonder precies uit te leggen hoe dat moet gebeuren. We simuleren deze neurale netwerkmodellen echter in dezelfde digitale hardware als die waarmee spreadsheets in Excel worden beheerd en videogames worden gespeeld. Deze hardware is traag, energie-intensief en beperkt ons tot neurale netwerken die veel kleiner en simpeler zijn dan het menselijk brein. Conventionele computertechnologieën kennen fundamentele beperkingen die ons beletten om grotere neurale netwerken te ontwerpen en te trainen. We moeten dus op zoek naar nieuwe soorten computers om de overstap te kunnen maken naar grotere en betere KI-systemen.

Neuromorfische computers

Neuromorfische computers zijn geïnspireerd op de manier waarop ons brein informatie verwerkt door computers bestaande uit neurale netwerken rechtstreeks in te bouwen in de fysica van het apparaat. Door fysieke neurale netwerken in te bouwen in onze computers, wordt het gebruik van neurale computers energiezuiniger en is er een nauwkeurigere modellering van neurale dynamica mogelijk. Het is mogelijk om neuromorfische chips te maken van dezelfde materialen als die welke worden gebruikt voor digitale computerchips, maar in het nieuwe CogniGron-centrum van de RUG wordt ook onderzoek gedaan naar nieuwe ‘cognitieve materialen’. Deze materialen bieden efficiëntere geheugen- en leermogelijkheden voor de volgende generatie computers.

Emulatie van het brein

Neuromorfische computers hebben twee hoofddoelen. Ten eerste kunnen we door het bouwen van systemen die op dezelfde wijze werken als ons brein krachtigere en energiezuinigere computers bouwen die mogelijk de weg vrij maken voor de volgende generatie kunstmatige intelligentie. Ten tweede krijgen we door het bouwen van een systeem dat het brein nabootst beter inzicht in hoe het brein werkt en hoe het slim gedrag aanstuurt. De ontwikkeling van neuromorfische computers vereist een interdisciplinaire aanpak, waarbij materiaalwetenschappers, neurowetenschappers, apparaatingenieurs, computerwetenschappers en cognitieve wetenschappers zich gezamenlijk richten op het gemeenschappelijke doel van het bouwen van op het brein lijkende computers.

Het programmeren van neuromorfische computers

Waarom gebruiken we nog steeds digitale in plaats van neuromorfische computers? Digitale computers zijn eenvoudig te programmeren en op één computer kunnen veel verschillende programma's draaien. We kunnen op een en dezelfde computer e-mails ontvangen, spreadsheets bewerken en films kijken. Het programmeren van neuromorfische systemen voor verschillende taken is daarentegen minder eenvoudig. Als bezitters van neurale netwerken weten we uit ervaring dat we een neuraal netwerk niet rechtstreeks opdrachten kunnen geven (“Denk niet aan een roze olifant.”). Soortgelijke problemen doen zich voor wanneer we met neuromorfische computers gaan werken. We hebben manieren gevonden om neurale netwerken op digitale computers te programmeren of te trainen. Maar deze methoden werken niet in analoge computers of in nieuwe cognitieve materialen. Om neuromorfische computers nuttig te maken, wil ik nieuwe methoden ontwikkelen om ze te programmeren. Hiertoe gebruik ik verschillende neuromorfische computers voor het ontwerpen van programmeer- en leermethoden binnen de beperkingen van het gegeven fysieke systeem.

Een nieuwe chip

Op dit moment werk ik met de DynapSE2-chip die is ontworpen door onderzoekers van het Institute of Neuroinformatics in Zürich en de Rijksuniversiteit Groningen. Deze analoge chip bevat 1024 neuronen, die elk met maximaal 64 andere neuronen kunnen worden verbonden. Alle neuronen verwerken gelijktijdig informatie en de chip verbruikt alleen energie op het moment dat er informatie wordt verwerkt. De standaardmethoden voor het trainen van neurale netwerken op digitale computers kunnen niet voor de DynapSE2 worden gebruikt, dus we moeten het programmeren of trainen van een dergelijke computer compleet anders aanvliegen. De DynapSE2 dient als proeftuin voor ideeën en kan in de toekomst worden opgeschaald tot grotere neuromorfische chips.

Vooruitzichten

Als Marie Curie-fellow in het Europese project “Post-Digital” werk ik samen met collega's in verschillende onderzoeksinstituten in heel Europa. Op dit moment ben ik drie maanden te gast bij het Institute of Neuroinformatics in Zürich, waar ik met andere onderzoekers werk aan de DynapSE2-chip. Later dit jaar sluit ik me aan bij een onderzoeksteam aan de Universiteit Gent om mijn onderzoek naar optische neuromorfische computers verder voort te zetten. Optische computers maken gebruik van lasertechnologie voor het doorgeven van optische signalen met de snelheid van licht, wat een groot voordeel is ten opzichte van de veel tragere doorgifte van elektrische signalen in elektronische computers.

Iedereen KI op zak

Met mijn onderzoek wil ik een bijdrage leveren aan de democratisering van KI. Op dit moment hebben grote bedrijven die zich dure supercomputers kunnen veroorloven een monopolie op KI-modellen omdat onze laptops en smartphones niet krachtig genoeg zijn. In een neuromorfische toekomst kunnen we allemaal gepersonaliseerde slimme KI op zak hebben zonder dat we voor de verwerking van onze gegevens afhankelijk zijn van grote organisaties.

Dit artikel is tot stand gekomen in samenwerking met MindMint.