Künstliches Nanodraht-Netzwerk verhält sich wie ein Gehirn, wenn es elektrisch stimuliert wird

Wissenschaftler an der University of Sydney und dem National Institute for Material Science (NIMS) in Japan haben entdeckt, wie man ein künstliches Netzwerk von Nanodrähten dazu bringt, auf eine gehirnähnliche Weise zu reagieren, wenn es elektrisch stimuliert wird.

Die Studie wurde in Nature Communications veröffentlicht.

Das internationale Team wurde von Joel Hochstetter geleitet, der von Professor Zdenka Kuncic und Professor Tomonobu Nakayama unterstützt wurde.

Das Team fand heraus, dass es möglich ist, ein Netzwerk von Nanodrähten in einem gehirnähnlichen Zustand “am Rande des Chaos” zu halten, um Aufgaben auf optimalem Niveau auszuführen.

Laut den Forschern deutet dies darauf hin, dass die zugrunde liegende Natur der neuronalen Intelligenz physisch ist und dass dies zu neuen Entwicklungen in der künstlichen Intelligenz führen könnte.

Joel Hochstetter ist Doktorand am Nano-Institut und der Fakultät für Physik der University of Sydney und Erstautor der Studie.

“Wir verwendeten Drähte, die 10 Mikrometer lang und nicht dicker als 500 Nanometer waren, die zufällig auf einer zweidimensionalen Ebene angeordnet waren”, sagte Hochstetter.

“Wo die Drähte sich überlappen, bilden sie eine elektrochemische Verbindung, ähnlich wie die Synapsen zwischen Neuronen”, sagte er. “Wir fanden heraus, dass elektrische Signale, die durch dieses Netzwerk gesendet werden, automatisch den besten Weg für die Übertragung von Informationen finden. Und diese Architektur ermöglicht es dem Netzwerk, ‘vorherige Pfade’ durch das System zu ‘erinnern’.”

Testen des Nanodraht-Netzwerks

Das Forschungsteam verwendete Simulationen, um das zufällige Nanodraht-Netzwerk zu testen, um zu erfahren, wie es am besten funktionieren und einfache Aufgaben lösen kann.

Wenn das Signal, das das Netzwerk stimuliert, zu schwach war, produzierte der Pfad nicht komplexe genug Ausgaben, da sie zu vorhersehbar waren. Wenn das Netzwerk hingegen von dem Signal überwältigt wurde, war die Ausgabe zu chaotisch.

Dies bedeutete, dass das optimale Signal am Rande dieses chaotischen Zustands lag, laut dem Team.

Professor Kuncic ist von der University of Sydney.

“Einige Theorien in der Neurobiologie deuten darauf hin, dass das menschliche Gehirn in diesem Zustand am Rande des Chaos oder im kritischen Zustand operieren könnte”, sagte Professor Kuncic. “Einige Neurobiologen denken, dass es in diesem Zustand ist, in dem wir die maximale Gehirnleistung erzielen.”

“Was so aufregend an diesem Ergebnis ist, ist, dass es darauf hindeutet, dass diese Arten von Nanodraht-Netzwerken in Regime mit vielfältigen, gehirnähnlichen kollektiven Dynamiken eingestellt werden können, die für die Optimierung der Informationsverarbeitung genutzt werden können”, fuhr sie fort.

Das Nanodraht-Netzwerk kann Speicher und Operationen in einem einzigen System integrieren, dank der Verbindungen zwischen den Drähten. Dies ist anders als bei herkömmlichen Computern, die auf getrennten Speicher und Operationen angewiesen sind.

“Diese Verbindungen wirken wie Computer-Transistoren, aber mit der zusätzlichen Eigenschaft, dass sie sich daran erinnern, dass Signale diesen Pfad vorher genommen haben. Deshalb werden sie als ‘Memristoren’ bezeichnet”, sagte Hochstetter.

Der Speicher ist in physischer Form und die Verbindungen an den Kreuzungspunkten zwischen den Nanodrähten wirken wie Schalter. Ihr Verhalten hängt von der historischen Reaktion auf elektrische Signale ab, und wenn Signale an den Verbindungen angewendet werden, werden sie aktiviert, wenn der Strom durch sie fließt.

“Dies schafft ein Speichernetzwerk innerhalb des zufälligen Systems von Nanodrähten”, sagte er.

Das Team entwickelte eine Simulation des physischen Netzwerks, um seine Fähigkeit zu demonstrieren, sehr einfache Aufgaben zu lösen.

“Für diese Studie trainierten wir das Netzwerk, um eine einfache Wellenform in komplexere Wellenformen umzuwandeln”, sagte Hochstetter.

Das Team passte die Amplitude und Frequenz des elektrischen Signals an, um zu sehen, wo die beste Leistung stattfand.

“Wir fanden heraus, dass, wenn man das Signal zu langsam pusht, das Netzwerk einfach dasselbe tut, wiederholt, ohne zu lernen und zu entwickeln. Wenn wir es zu schnell und hart pushten, wird das Netzwerk erratisch und unvorhersehbar”, sagte er.

Reale Vorteile

Laut Professor Kuncic hat die Vereinigung von Speicher und Operationen große Vorteile für die künstliche Intelligenz.

“Algorithmen, die benötigt werden, um das Netzwerk zu trainieren, um zu wissen, welche Verbindung die entsprechende ‘Last’ oder Gewichtung der Information erhalten sollte, verbrauchen viel Energie”, sagte sie.

“Die Systeme, die wir entwickeln, eliminieren die Notwendigkeit für solche Algorithmen. Wir lassen einfach das Netzwerk seine eigene Gewichtung entwickeln, was bedeutet, dass wir uns nur um das Signal ein und aus kümmern müssen, ein Framework, das als ‘Reservoir-Rechnung’ bezeichnet wird. Die Netzwerk-Gewichtungen sind selbstadaptiv, was möglicherweise große Mengen an Energie freisetzen könnte.”

Kuncic sagt, dass dies bedeutet, dass zukünftige künstliche Intelligenz-Systeme, die auf diesen Netzwerken basieren, einen viel geringeren Energieverbrauch haben würden.