Kunstig nanotrådsnetværk opfører sig som hjernen, når det udsættes for elektrisk stimulation

Forskere fra University of Sydney og Japans National Institute for Material Science (NIMS) har opdaget, hvordan man kan få et kunstigt netværk af nanotråde til at opføre sig på en hjernelignende måde, når det udsættes for elektrisk stimulation.

Studiet blev offentliggjort i Nature Communications.

Det internationale hold blev ledet af Joel Hochstetter, som blev ledsaget af professor Zdenka Kuncic og professor Tomonobu Nakayama.

Holdet fandt ud af, at de kan holde et netværk af nanotråde i en hjernelignende tilstand “på kanten af kaos” for at udføre opgaver på et optimalt niveau.

Ifølge forskerne antyder dette, at den underliggende natur af neural intelligens er fysisk, og det kunne føre til nye udviklinger i kunstig intelligens.

Joel Hochstetter er en ph.d.-stipendiat ved University of Sydney Nano Institute og School of Physics og hovedforfatter af artiklen.

“Vi brugte tråde, der var 10 mikrometer lange og ikke tykkere end 500 nanometer, arrangeret tilfældigt på en todimensionel plane,” sagde Hochstetter.

“Hvor trådene overlapper, danner de en elektrokemisk forbindelse, ligesom synapperne mellem neuroner,” sagde han. “Vi fandt ud af, at elektriske signaler, der blev sendt gennem dette netværk, automatisk fandt den bedste rute for at overføre information. Og denne arkitektur tillader netværket at ‘huske’ tidligere stier gennem systemet.”

Test af nanotrådsnetværket

Forskningsholdet brugte simulationer til at teste det tilfældige nanotrådsnetværk for at lære, hvordan det bedst kunne udføre og løse simple opgaver.

Når signalet, der stimulerede netværket, var for lavt, producerede stien ikke komplekse nok udgange, fordi de var for forudsigelige. På den anden side, hvis netværket blev overvældet af signalet, var udgangen for kaotisk.

Dette betød, at det optimale signal var på kanten af denne kaotiske tilstand, ifølge holdet.

Professor Kuncic er fra University of Sydney.

“Nogle teorier i neurovidenskab antyder, at det menneskelige sind kunne fungere på denne kant af kaos, eller hvad der kaldes den kritiske tilstand,” sagde professor Kuncic. “Nogle neuroforskere mener, at det er i denne tilstand, hvor vi opnår maksimal hjerneprestation.”

“Hvad der er så spændende ved dette resultat er, at det antyder, at disse typer nanotrådsnetværk kan indstilles til regimer med diverse, hjernelignende kollektive dynamikker, som kan udnyttes til at optimere informationsbehandling,” fortsatte hun.

Nanotrådsnetværket kan inkorporere hukommelse og operationer i ét system på grund af forbindelserne mellem trådene. Dette adskiller sig fra standardcomputerne, som afhænger af adskilte hukommelse og operationer.

“Disse forbindelser fungerer som computerture, men med den ekstra egenskab at huske, at signaler har rejst denne vej før. De kaldes derfor ‘memristorer’,” sagde Hochstetter.

Hukommelsen er i fysisk form med forbindelserne ved krydningspunkterne mellem nanotrådene, der fungerer som kontakter. Deres opførsel afhænger af historisk respons på elektriske signaler, og når signaler anvendes på tværs af forbindelserne, aktiveres de, når strøm flyder gennem dem.

“Dette skaber et hukommelsesnetværk inden for det tilfældige system af nanotråde,” sagde han.

Holdet udviklede en simulation af det fysiske netværk for at demonstrere dets evne til at løse meget simple opgaver.

“Til denne studie trænede vi netværket til at omdanne en simpel bølgeform til mere komplekse typer bølgeformer,” sagde Hochstetter.

Holdet justerede amplitude og frekvens af det elektriske signal for at se, hvor den bedste præstation fandt sted.

“Vi fandt ud af, at hvis du trykker signalet for langsomt, gør netværket bare det samme igen og igen uden at lære og udvikle. Hvis vi trykkede det for hårdt og hurtigt, blev netværket erratisk og uforudsigeligt,” sagde han.

Reelle fordele

Ifølge professor Kuncic har forening af hukommelse og operationer store fordele for kunstig intelligens.

“Algoritmer, der er nødvendige for at træne netværket til at vide, hvilken forbindelse der skal tildeles den passende ‘last’ eller vægt af information, sluger en masse strøm,” sagde hun.

“De systemer, vi udvikler, gør det af med behovet for sådanne algoritmer. Vi lader bare netværket udvikle sin egen vægtning, hvilket betyder, at vi kun behøver at bekymre os om signal ind og signal ud, et rammeværk kendt som ‘reservoir computing’. Netværksvægtene er selvtilpasning, hvilket potentielt kan frigøre store mængder energi.”

Kuncic siger, at dette betyder, at fremtidige AI-systemer, der afhænger af disse netværk, vil have langt lavere energifodtryk.