Δίκτυο Νανόσυρμάτων Λειτουργεί Όπως Εγκέφαλος Όταν Εκκινείται Ηλεκτρικά

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

Η μελέτη δημοσιεύθηκε στο Nature Communications.

Η διεθνής ομάδαนำθηκε από τον 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 εκτελέσουν εργασίες σε βέλτιστο επίπεδο.

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

Ο Joel Hochstetter είναι υποψήφιος διδάκτωρ στο Πανεπιστήμιο του Σίδνεϊ Nano Institute και School of Physics και ο πρώτος συγγραφέας του εγγράφου.

“Χρησιμοποιήσαμε σύρματα 10 micrometres μακρά και όχι παχύτερα από 500 nanometres τοποθετημένα τυχαία σε ένα δισδιάστατο επίπεδο”, είπε ο Hochstetter.

“Σε σημεία όπου τα σύρματα перекrýνονται, σχηματίζουν μια ηλεκτροχημική σύνδεση, όπως οι συνάψεις μεταξύ των νευρώνων”, είπε. “Βρήκαμε ότι οι ηλεκτρικές σημαίες 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 Νανόσυρμάτων

Η ερευνητική ομάδα χρησιμοποίησε προσομοιώσεις για να δοκιμάσει το τυχαίο δίκτυο νανοσυρμάτων για να μάθει πώς μπορεί να εκτελέσει και να λύσει απλές εργασίες.

Όταν η σήμα που ε kích thích του δικτύου ήταν πολύ χαμηλή, η διαδρομή δεν παρήγαγε assez πολύπλοκες εξόδους επειδή ήταν πολύ προβλέψιμες. Από την άλλη πλευρά, αν το δίκτυο ήταν υπερφορτωμένο από τη σήμα, η έξοδος ήταν πολύ χαοτική.

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

Ο Καθηγητής Kuncic είναι από το Πανεπιστήμιο του Σίδνεϊ.

“Ορισμένες θεωρίες στις νευροεπιστήμες υποδηλώνουν ότι ο ανθρώπινος νους μπορεί 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.”

“Τι είναι τόσο ενθαρρυντικό σε αυτό το αποτέλεσμα είναι ότι υποδηλώνει ότι αυτά τα είδη δικτύων νανοσυρμάτων μπορούν να ρυθμιστούν σε καθεστώτα με ποικίλες, brain-like συλλογικές δυναμικές, οι οποίες μπορούν να αξιοποιηθούν για να βελτιστοποιήσουν την επεξεργασία πληροφοριών”, συνέχισε.

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

“Αυτές οι συνδέσεις λειτουργούν σαν υπολογιστές διακόπτες αλλά με την πρόσθετη ιδιότητα να θυμάται ότι τα σήματα έχουν ταξιδέψει αυτή τη διαδρομή πριν. Ως εκ τούτου, ονομάζονται ‘memristors'”, 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 απάντηση σε ηλεκτρικές σημαίες, και όταν εφαρμόζονται σημαίες через τις συνδέσεις, ενεργοποιούνται ως ρεύμα ρέει μέσω τους.

“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 απλές εργασίες.

“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 أمplitúde και τη συχνότητα της ηλεκτρικής σήμας για να δει πού λαμβάνει χώρα η καλύτερη απόδοση.

“Βρήκαμε ότι αν πιέσουμε τη σήμα πολύ αργά το δίκτυο κάνει το ίδιο πράγμα ξανά και ξανά χωρίς να μαθαίνει και να αναπτύσσεται. Αν πιέσουμε το δίκτυο πολύ γρήγορα και σκληρά, το δίκτυο γίνεται ερριτικός και απρόβλεπτος”, είπε.

Πρακτικά Πλεονεκτήματα

Σύμφωνα με τον Καθηγητή Kuncic, η ένωση της μνήμης και των εργασιών 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 της πληροφορίας 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 του σήματος, ένα πλαίσιο που ονομάζεται ‘reservoir computing’. Τα βάρη του δικτύου είναι αυτο-προσαρμοζόμενα, потенτικά ελευθερώνοντας μεγάλες ποσότητες ενέργειας.”

Ο Kuncic λέει ότι αυτό σημαίνει ότι τα μελλοντικά συστήματα τεχνητής νοημοσύνης που βασίζονται σε αυτά τα δίκτυα θα έχουν πολύ χαμηλότερο ενεργειακό αποτύπωμα.