Τεχνητικό Δίκτυο Νανοσυρμάτων Λειτουργεί Όπως το Εγκέφαλος Όταν Εκτελείται Ηλεκτρικά

Επιστήμονες στο Πανεπιστήμιο του Σίδνεϊ και στο Ιαπωνικό Εθνικό Ινστιτούτο Επιστημών Υλικών (NIMS) ανακάλυψαν πώς να κάνουν ένα τεχνητό δίκτυο νανοσυρμάτων να λειτουργεί με τρόπο που μοιάζει με τον εγκέφαλο όταν εκτελείται ηλεκτρικά.

Η μελέτη δημοσιεύθηκε στο Nature Communications.

Η διεθνής ομάδα ήταν υπό την ηγεσία του Joel Hochstetter, ο οποίος συνεργάστηκε με τον Καθηγητή Zdenka Kuncic και τον Καθηγητή Tomonobu Nakayama.

Η ομάδα βρήκε ότι μπορούν να διατηρήσουν ένα δίκτυο νανοσυρμάτων σε μια κατάσταση που μοιάζει με τον εγκέφαλο «στην άκρη του χάους» για να εκτελέσει καθήκοντα σε ένα βέλτιστο επίπεδο.

Σύμφωνα με τους ερευνητές, αυτό υποδηλώνει ότι η υποκείμενη φύση της νευρωνικής νοημοσύνης είναι φυσική και θα μπορούσε να οδηγήσει σε νέες εξελίξεις στην τεχνητή νοημοσύνη.

Ο Joel Hochstetter είναι υποψήφιος διδάκτωρ στο Ινστιτούτο Νανοτεχνολογίας του Πανεπιστημίου του Σίδνεϊ και στη Σχολή Φυσικής και είναι ο κύριος συγγραφέας της εργασίας.

«Χρησιμοποιήσαμε σύρματα 10 μικρομέτρων μήκους και όχι παχύτερα από 500 νανομέτρα, τοποθετημένα τυχαία σε ένα δισδιάστατο επίπεδο», είπε ο Hochstetter.

«Όπου τα σύρματα перекrýονται, σχηματίζουν μια ηλεκτροχημική σύνδεση, όπως οι συνάψεις μεταξύ των νευρώνων», είπε. «Βρήκαμε ότι οι ηλεκτρικές σημάσεις που περνούν από αυτό το δίκτυο αυτόματα βρίσκουν την καλύτερη οδό για τη μετάδοση πληροφοριών. Και αυτή η αρχιτεκτονική επιτρέπει στο δίκτυο να «θυμάται» προηγούμενες διαδρομές μέσω του συστήματος».

Δοκιμή του Δικτύου Νανοσυρμάτων

Η ερευνητική ομάδα χρησιμοποίησε προσομοιώσεις για να δοκιμάσει το τυχαίο δίκτυο νανοσυρμάτων για να μάθει πώς θα μπορούσε να εκτελεστεί καλύτερα και να λύσει απλά καθήκοντα.

Όταν η σήμανση που διέγειρε το δίκτυο ήταν πολύ χαμηλή, η διαδρομή δεν παρήγαγε αρκετά σύνθετα εξόδους επειδή ήταν πολύ προβλέψιμες. Από την άλλη πλευρά, αν το δίκτυο ήταν υπερφορτωμένο από τη σήμανση, η έξοδος ήταν πολύ χαотική.

Αυτό σήμαινε ότι η βέλτιστη σήμανση ήταν στην άκρη αυτής της χαотικής κατάστασης, σύμφωνα με την ομάδα.

Ο Καθηγητής Kuncic είναι από το Πανεπιστήμιο του Σίδνεϊ.

«Ορισμένες θεωρίες στις νευροεπιστήμες υποδηλώνουν ότι ο ανθρώπινος νους θα μπορούσε να λειτουργήσει σε αυτή την άκρη του χάους, ή ότι ονομάζεται κρίσιμη κατάσταση», είπε ο Καθηγητής Kuncic. «Ορισμένοι νευροεπιστήμονες πιστεύουν ότι σε αυτή την κατάσταση επιτυγχάνουμε τη μέγιστη απόδοση του εγκεφάλου».

«Αυτό που είναι τόσο ενθουσιαστικό για αυτό το αποτέλεσμα είναι ότι υποδηλώνει ότι αυτά τα είδη δικτύων νανοσυρμάτων μπορούν να ρυθμιστούν σε καθεστώτα με διαφορετικές, εγκεφαλικές συλλογικές δυναμικές, οι οποίες μπορούν να αξιοποιηθούν για να βελτιώσουν την επεξεργασία πληροφοριών», συνέχισε.

Το δίκτυο νανοσυρμάτων μπορεί να ενσωματώσει τη μνήμη και τις λειτουργίες σε ένα ενιαίο σύστημα λόγω των συνδέσεων μεταξύ των συρμάτων. Αυτό διαφέρει από τους τυπικούς υπολογιστές, οι οποίοι βασίζονται σε ξεχωριστές μνήμες και λειτουργίες.

«Αυτές οι συνδέσεις λειτουργούν σαν διακόπτες υπολογιστών, αλλά με την πρόσθετη ιδιότητα να θυμάται ότι οι σημάσεις έχουν ταξιδέψει από αυτή τη διαδρομή trước», είπε ο Hochstetter.

Η μνήμη είναι σε φυσική μορφή με τις συνδέσεις στα σημεία τομής μεταξύ νανοσυρμάτων να λειτουργούν σαν διακόπτες. Η συμπεριφορά τους εξαρτάται από την ιστορική απόκριση σε ηλεκτρικές σημάσεις, και όταν εφαρμόζονται σημάσεις через τις συνδέσεις, ενεργοποιούνται ως ρεύμα που περνά μέσα από αυτές.

«Αυτό δημιουργεί ένα δίκτυο μνήμης μέσα στο τυχαίο σύστημα νανοσυρμάτων», είπε.

Η ομάδα ανέπτυξε μια προσομοίωση του φυσικού δικτύου για να δείξει την ικανότητά του να λύσει πολύ απλά καθήκοντα.

«Για αυτή τη μελέτη εκπαιδεύσαμε το δίκτυο να μετατρέψει μια απλή μορφή κύματος σε πιο σύνθετες μορφές κύματος», είπε ο Hochstetter.

Η ομάδα điều chỉnhη την أمπλιτίντα και τη συχνότητα της ηλεκτρικής σημάσης για να δει πού βρίσκεται η καλύτερη απόδοση.

«Βρήκαμε ότι αν πιέσετε τη σήμανση πολύ αργά, το δίκτυο κάνει το ίδιο πράγμα επανειλημμένα χωρίς να μαθαίνει και να αναπτύσσεται. Αν πιέσετε πολύ γρήγορα και έντονα, το δίκτυο γίνεται ερρητικό και απρόβλεπτο», είπε.

Πραγματικές Πλεονεκτήματα

Σύμφωνα με τον Καθηγητή Kuncic, η ένωση της μνήμης και των λειτουργιών έχει σημαντικά πλεονεκτήματα για την τεχνητή νοημοσύνη.

«Οι αλγόριθμοι που χρειάζονται για να εκπαιδεύσουν το δίκτυο να γνωρίζουν ποια σύνδεση πρέπει να λάβει την κατάλληλη «φορτίο» ή βάρος πληροφοριών καταναλώνουν πολλή ενέργεια», είπε.

«Τα συστήματα που αναπτύσσουμε κάνουν χωρίς την ανάγκη για τέτοιους αλγόριθμους. Απλώς επιτρέπουμε στο δίκτυο να αναπτύξει το δικό του βαρύτητα, που σημαίνει ότι μόνο πρέπει να ανησυχούμε για την είσοδο και την έξοδο της σημάσης, ένα πλαίσιο που ονομάζεται «υπολογιστική δεξαμενή». Τα βάρη του δικτύου είναι αυτοπροσαρμοζόμενα, потенτικά απελευθερώνοντας μεγάλες ποσότητες ενέργειας».

Ο Kuncic λέει ότι αυτό σημαίνει ότι τα μελλοντικά συστήματα τεχνητής νοημοσύνης που βασίζονται σε αυτά τα δίκτυα θα έχουν πολύ χαμηλότερα ενεργειακά αποτυπώματα.