Kunstlik nanojuhtmevõrk toimib elektriliselt stimuleerituna nagu aju 

Sydney ülikooli ja Jaapani riikliku materjaliteaduse instituudi (NIMS) teadlased on avastanud, kuidas panna nanojuhtmete tehisvõrk elektrilisel stimuleerimisel ajulaadselt toimima. 

Uuring avaldati Nature Communications. 

Rahvusvahelist meeskonda juhtis Joel Hochstetter, kellega liitusid professor Zdenka Kuncic ja professor Tomonobu Nakayama. 

Meeskond leidis, et nad suudavad hoida nanojuhtmete võrku ajulaadses olekus "kaose äärel", et täita ülesandeid optimaalsel tasemel. 

Teadlaste sõnul viitab see sellele, et närviintellekti olemus on füüsiline ja see võib viia tehisintellekti uute arenguteni. 

Joel Hochstetter on Sydney ülikooli nanoinstituudi ja füüsikakooli doktorant ning töö juhtiv autor.

"Kasutasime 10 mikromeetri pikkuseid ja mitte paksemaid kui 500 nanomeetriseid juhtmeid, mis on paigutatud juhuslikult kahemõõtmelisele tasapinnale, " ütles Hochstetter.

"Kui juhtmed kattuvad, moodustavad nad elektrokeemilise ristmiku, nagu neuronite vahelised sünapsid," ütles ta. "Leidsime, et selle võrgu kaudu edastatavad elektrisignaalid leiavad automaatselt teabe edastamiseks parima marsruudi. Ja see arhitektuur võimaldab võrgul "meelde jätta" süsteemi varasemaid teid.

Nanowire võrgu testimine

Uurimisrühm kasutas simulatsioone juhusliku nanojuhtmevõrgu testimiseks, et teada saada, kuidas see saaks kõige paremini täita ja lahendada lihtsaid ülesandeid. 

Kui võrku stimuleeriv signaal oli liiga madal, ei andnud rada piisavalt keerukaid väljundeid, kuna need olid liiga etteaimatavad. Teisest küljest, kui võrk oli signaalist ülekoormatud, oli väljund liiga kaootiline.

See tähendas, et meeskonna sõnul oli optimaalne signaal selle kaootilise oleku piiril.

Professor Kuncic on pärit Sydney ülikoolist. 

"Mõned neuroteaduste teooriad viitavad sellele, et inimmõistus võib toimida selles kaose servas ehk kriitilises seisundis," ütles professor Kuncic. "Mõned neuroteadlased arvavad, et just sellises seisundis saavutame aju maksimaalse jõudluse."

"Selle tulemuse juures on nii põnev, et see viitab sellele, et seda tüüpi nanojuhtmevõrke saab häälestada mitmekesise, ajulaadse kollektiivse dünaamikaga režiimideks, mida saab teabetöötluse optimeerimiseks kasutada," jätkas ta. 

Nanojuhtmevõrk on võimeline ühendama mälu ja toimingud ühtsesse süsteemi tänu juhtmete vahelistele ühendustele. See erineb tavalistest arvutitest, mis põhinevad eraldatud mälul ja toimingutel. 

"Need ristmikud toimivad nagu arvutitransistorid, kuid neil on täiendav omadus meeles pidada, et signaalid on seda rada varem liikunud. Sellisena nimetatakse neid "memristoriteks", " ütles Hochstetter.

Mälu on füüsilisel kujul, nanojuhtmete ristumiskohtades olevad ristmikud toimivad lülititena. Nende käitumine sõltub ajaloolisest reaktsioonist elektrilistele signaalidele ja kui signaale rakendatakse üle ristmike, aktiveeritakse need voolu läbimisel.

"See loob mäluvõrgu juhusliku nanojuhtmete süsteemi sees, " ütles ta.

Meeskond töötas välja füüsilise võrgu simulatsiooni, et näidata selle võimet lahendada väga lihtsaid ülesandeid. 

"Selle uuringu jaoks koolitasime võrku, et muuta lihtne lainekuju keerukamateks lainekujudeks, " ütles Hochstetter.

Meeskond reguleeris elektrisignaali amplituudi ja sagedust, et näha, kus toimus parim jõudlus.

"Leidsime, et kui surute signaali liiga aeglaselt, teeb võrk ikka ja jälle sama asja, ilma õppimise ja arenemiseta. Kui me seda liiga kõvasti ja kiiresti peale surume, muutub võrk ebakorrapäraseks ja ettearvamatuks,” rääkis ta.

Reaalse maailma eelised

Professor Kuncici sõnul on mälu ja operatsioonide ühendamisel tehisintellekti jaoks suur kasu. 

"Algoritmid, mida on vaja võrgu koolitamiseks, et teada saada, millisele ristmikule tuleks anda sobiv teabe "koormus" või kaal, närivad palju jõudu, " ütles ta.

"Meie arendatavad süsteemid kaotavad vajaduse selliste algoritmide järele. Me lihtsalt lubame võrgul välja töötada oma kaalumise, mis tähendab, et peame muretsema ainult signaali sisse- ja väljasaatmise pärast, raamistikku, mida nimetatakse reservuaariarvutamiseks. Võrgukaalud on isekohanduvad, vabastades potentsiaalselt suurel hulgal energiat.

Kuncic ütleb, et see tähendab, et tulevastel AI-süsteemidel, mis nendele võrkudele tuginevad, oleks palju väiksem energiajalajälg.