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

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

Studie byla publikována 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 prováděli úkoly na optimální úrovni.

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

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

“Použili jsme dráty dlouhé 10 mikrometrů a tlusté nejvýše 500 nanometrů, které byly náhodně rozmístěny na dvourozměrné rovině,” řekl Hochstetter.

“Tam, kde se dráty překrývají, vytvářejí elektrochemickou spojnici, podobnou 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 через systém.”

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. Na druhé straně, 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 může fungovat na této hranici chaosu, nebo takzvaném kritickém stavu,” řekl profesor Kuncic. “Někteří neurovědci si myslí, že je to v tomto stavu, kde dosahujeme maximální mozkové výkony.”

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

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

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

Paměť je fyzická a spojky na křižovatkách mezi nanodráty fungují jako spínače. Jejich chování závisí na historické reakci na elektrické signály a když jsou signály aplikovány přes spojky, jsou aktivovány, jak proudí proud přes ně.

“To vytváří paměťovou síť uvnitř 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 více komplexní typy vlnových forem,” řekl Hochstetter.

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

“Zjistili jsme, že pokud signál tlačíme příliš pomalu, síť pouze dělá stejné věci opakovaně, aniž by se učila a vyvíjela. Pokud jsme signál tlačili příliš rychle a silně, síť se stala náhodnou a nepředvídatelnou,” řekl.

Reálné výhody

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

“Algoritmy potřebné k trénování sítě, aby věděla, která spojka by měla být přiřazena příslušné ‘zátěži’ nebo váze informací, spotřebují大量 energie,” řekla.

“Systémy, které vyvíjíme, eliminují potřebu těchto algoritmů. Pouze umožňujeme síti, aby vyvinula svou vlastní váhu, což znamená, že se musíme starat pouze o signál na vstupu a signál na výstupu, rámec nazývaný ‘reservoir computing’. Váhy sítě jsou samo-adaptivní, což může uvolnit大量 energie.”

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