Umělá nanodrátová síť se chová jako mozek, když je elektricky stimulována

Vědci na University of Sydney a japonském National Institute for Material Science (NIMS) objevili, jak vytvořit umělou síť nanodrátů, která se chová podobně jako mozek, když je elektricky stimulována.

Studie byla zveřejněna v Nature Communications.

Mezinárodní tým byl veden Joel Hochstetterem, který byl doprovázen profesorem Zdenkou Kuncic a profesorem Tomonobuem Nakayamou.

Tým zjistil, že mohou udržet síť nanodrátů v mozek-podobném stavu „na hranici chaosu“, aby prováděla úkoly na optimální úrovni.

Podle výzkumníků to naznačuje, že základní povaha neuronální inteligence je fyzická a mohla by vést k novým vývojům v oblasti umělé inteligence.

Joel Hochstetter je doktorand na University of Sydney Nano Institute a School of Physics a hlavní autor článku.

“Použili jsme dráty dlouhé 10 mikrometrů a ne silnější než 500 nanometrů, které byly náhodně rozloženy na dvourozměrné rovině,” řekl Hochstetter.

“Tam, kde se dráty překrývají, vytvářejí elektrochemické spojení, podobné synapsím mezi neurony,” řekl. “Zjistili jsme, že elektrické signály procházející touto sítí automaticky najdou nejlepší cestu pro přenos informací. A tato architektura umožňuje síti „pamatovat“ předchozí cesty prostřednictvím systému.”

Testování nanodrátové sítě

Výzkumný tým použil simulace, aby otestoval náhodnou nanodrátovou síť a zjistil, jak může nejlépe fungovat a řešit jednoduché úkoly.

Kdykoli byl signál stimulující síť příliš nízký, cesta nevytvořila dostatečně komplexní výstupy, protože byly příliš předvídatelné. Naopak, pokud byla síť přetížena signálem, výstup byl příliš chaotický.

To znamenalo, že optimální signál byl na hranici tohoto chaotického stavu, podle týmu.

Profesor Kuncic je z University of Sydney.

“Některé teorie v neurovědě naznačují, že lidský mozek by mohl fungovat na této hranici chaosu, nebo v takzvaném kritickém stavu,” řekl profesor Kuncic. “Někteří neurovědci si myslí, že je v tomto stavu, kde dosahujeme maximální mozkové výkonnosti.”

“Co je tak vzrušující na tomto výsledku, je to, že naznačuje, že tyto typy nanodrátových sítí lze naladit do režimů s různými, mozek-podobnými kolektivními dynamikami, které lze využít k optimalizaci zpracování informací,” pokračoval.

Nanodrátová síť je schopna začlenit paměť a operace do jednoho systému díky spojením mezi dráty. To je odlišné od standardních počítačů, které spoléhají na oddělenou paměť a operace.

“Tato spojení fungují jako počítačové tranzistory, ale s další vlastností, že si pamatují, že signály prošly touto cestou dříve. Proto se nazývají ‘memristory’,” řekl Hochstetter.

Paměť je fyzická a spojení na křižovatkách mezi nanodráty fungují jako spínače. Jejich chování závisí na historické reakci na elektrické signály a když se signály aplikují přes spojení, jsou aktivovány, jak proud prochází jimi.

“To vytváří paměťovou síť v rámci náhodného systému nanodrátů,” řekl.

Tým vyvinul simulaci fyzické sítě, aby demonstroval její schopnost řešit velmi jednoduché úkoly.

“Pro tuto studii jsme trénovali síť, aby transformovala jednoduchou vlnovou formu na komplexnější typy vlnových forem,” řekl Hochstetter.

Tým upravil amplitudu a frekvenci elektrického signálu, aby viděl, kde je nejlepší výkon.

“Zjistili jsme, že pokud signál aplikujete příliš pomalu, síť dělá stále stejné věci bez učení a rozvoje. Pokud signál aplikujete příliš rychle a silně, síť se stává nepředvídatelnou a chaotickou,” řekl.

Reálné výhody

Podle profesora Kuncic spojení paměti a operací má významné výhody pro umělou inteligenci.

“Algoritmy potřebné k trénování sítě, aby věděla, které spojení by mělo být přiřazeno odpovídající ‘zátěži’ nebo váze informací, spotřebují大量 energie,” řekl.

“Systémy, které vyvíjíme, eliminují potřebu takových algoritmů. Pouze umožňujeme síti vyvinout své vlastní vážení, což znamená, že se musíme starat pouze o signál na vstupu a signál na výstupu, rámec známý jako ‘reservoir computing’. Váhy sítě jsou samo-adaptivní, potenciálně uvolňující大量 energie.”

Kuncic říká, že to znamená, že budoucí systémy umělé inteligence, které spoléhají na tyto sítě, budou mít mnohem nižší energetickou stopu.