Réseau de nanofils artificiels qui se comporte comme un cerveau lorsqu’il est stimulé électriquement

Les scientifiques de l’Université de Sydney et de l’Institut national des sciences des matériaux du Japon (NIMS) ont découvert comment faire en sorte qu’un réseau artificiel de nanofils se comporte de manière cérébrale lorsqu’il est stimulé électriquement.

L’étude a été publiée dans Nature Communications.

L’équipe internationale était dirigée par Joel Hochstetter, qui était rejoint par le professeur Zdenka Kuncic et le professeur Tomonobu Nakayama.

L’équipe a constaté qu’ils pouvaient maintenir un réseau de nanofils dans un état cérébral “à la limite du chaos” pour effectuer des tâches à un niveau optimal.

Selon les chercheurs, cela suggère que la nature sous-jacente de l’intelligence neuronale est physique, et qu’elle pourrait conduire à de nouveaux développements dans l’intelligence artificielle.

Joel Hochstetter est un candidat au doctorat à l’Institut de nanotechnologie de l’Université de Sydney et à l’École de physique, et il est l’auteur principal de l’article.

“Nous avons utilisé des fils de 10 micromètres de long et d’une épaisseur inférieure à 500 nanomètres, disposés aléatoirement sur un plan bidimensionnel”, a déclaré Hochstetter.

“Lorsque les fils se croisent, ils forment une jonction électrochimique, comme les synapses entre les neurones”, a-t-il dit. “Nous avons constaté que les signaux électriques transmis à travers ce réseau trouvent automatiquement le meilleur chemin pour transmettre les informations. Et cette architecture permet au réseau de ‘se souvenir’ des chemins précédents à travers le système.”

Test du réseau de nanofils

L’équipe de recherche a utilisé des simulations pour tester le réseau de nanofils aléatoires afin de comprendre comment il pouvait fonctionner de manière optimale et résoudre des tâches simples.

Lorsque le signal stimulant le réseau était trop faible, le chemin ne produisait pas des sorties suffisamment complexes car elles étaient trop prévisibles. D’un autre côté, si le réseau était submergé par le signal, la sortie était trop chaotique.

Cela signifiait que le signal optimal se situait à la limite de cet état chaotique, selon l’équipe.

Le professeur Kuncic est de l’Université de Sydney.

“Certaines théories en neurosciences suggèrent que l’esprit humain pourrait fonctionner à cette limite du chaos, ou ce qu’on appelle l’état critique”, a déclaré le professeur Kuncic. “Certains neuroscientifiques pensent que c’est dans cet état que nous atteignons les meilleures performances cérébrales.”

“Ce qui est si excitant dans ce résultat, c’est qu’il suggère que ces types de réseaux de nanofils peuvent être réglés pour fonctionner dans des régimes avec des dynamiques collectives similaires au cerveau, qui peuvent être utilisées pour optimiser le traitement de l’information”, a-t-elle continué.

Le réseau de nanofils est capable d’intégrer la mémoire et les opérations dans un seul système en raison des jonctions entre les fils. Cela diffère des ordinateurs standard, qui reposent sur une mémoire et des opérations séparées.

“Ces jonctions agissent comme des transistors d’ordinateur, mais avec la propriété supplémentaire de se souvenir que les signaux ont emprunté ce chemin auparavant. On les appelle des ‘mémristors'”, a déclaré Hochstetter.

La mémoire est physique, avec les jonctions aux points de croisement entre les nanofils agissant comme des interrupteurs. Leur comportement dépend de la réponse historique aux signaux électriques, et lorsque les signaux sont appliqués aux jonctions, ils sont activés à mesure que le courant les traverse.

“Cela crée un réseau de mémoire au sein du système aléatoire de nanofils”, a-t-il dit.

L’équipe a développé une simulation du réseau physique pour démontrer sa capacité à résoudre des tâches très simples.

“Pour cette étude, nous avons entraîné le réseau pour transformer une forme d’onde simple en types de formes d’onde plus complexes”, a déclaré Hochstetter.

L’équipe a ajusté l’amplitude et la fréquence du signal électrique pour voir où se situait la meilleure performance.

“Nous avons constaté que si vous poussez le signal trop lentement, le réseau ne fait que la même chose encore et encore sans apprendre et se développer. Si nous le poussons trop fort et trop vite, le réseau devient erratique et imprévisible”, a-t-il dit.

Avantages dans le monde réel

Selon le professeur Kuncic, unir la mémoire et les opérations a des avantages importants pour l’intelligence artificielle.

“Les algorithmes nécessaires pour entraîner le réseau à savoir quelle jonction doit être accordée le ‘chargement’ ou le poids d’information approprié consomment beaucoup de puissance”, a-t-elle déclaré.

“Les systèmes que nous développons éliminent le besoin de tels algorithmes. Nous laissons simplement le réseau développer son propre poids, ce qui signifie que nous n’avons qu’à nous soucier du signal d’entrée et de sortie, un cadre appelé ‘calcul de réservoir’. Les poids du réseau sont auto-adaptatifs, ce qui pourrait libérer de grandes quantités d’énergie.”

Kuncic dit que cela signifie que les futurs systèmes d’intelligence artificielle qui reposent sur ces réseaux auraient des empreintes énergétiques beaucoup plus faibles.