Kunstmatig nanodraadnetwerk gedraagt ​​zich als hersenen wanneer het elektrisch wordt gestimuleerd 

Wetenschappers van de Universiteit van Sydney en het Japanse National Institute for Material Science (NIMS) hebben ontdekt hoe ze een kunstmatig netwerk van nanodraden op een hersenachtige manier kunnen laten werken wanneer ze elektrisch worden gestimuleerd. 

De studie werd gepubliceerd in Nature Communications. 

Het internationale team werd geleid door Joel Hochstetter, die werd vergezeld door professor Zdenka Kuncic en professor Tomonobu Nakayama. 

Het team ontdekte dat ze een netwerk van nanodraden in een hersenachtige staat kunnen houden "aan de rand van chaos" om taken op een optimaal niveau uit te voeren. 

Dit suggereert volgens de onderzoekers dat de onderliggende aard van neurale intelligentie fysiek is en zou kunnen leiden tot nieuwe ontwikkelingen in kunstmatige intelligentie. 

Joel Hochstetter is een promovendus aan het University of Sydney Nano Institute and School of Physics en hoofdauteur van het artikel.

"We gebruikten draden van 10 micrometer lang en niet dikker dan 500 nanometer die willekeurig op een tweedimensionaal vlak waren gerangschikt", zei Hochstetter.

"Waar de draden elkaar overlappen, vormen ze een elektrochemische verbinding, zoals de synapsen tussen neuronen," zei hij. "We ontdekten dat elektrische signalen die via dit netwerk worden verzonden, automatisch de beste route vinden voor het verzenden van informatie. En dankzij deze architectuur kan het netwerk eerdere paden door het systeem 'onthouden'.'

Het Nanowire-netwerk testen

Het onderzoeksteam gebruikte simulaties om het willekeurige nanodraadnetwerk te testen om te leren hoe het eenvoudige taken het beste kon uitvoeren en oplossen. 

Telkens wanneer het signaal dat het netwerk stimuleerde te laag was, produceerde het pad niet complex genoeg output omdat ze te voorspelbaar waren. Aan de andere kant, als het netwerk overweldigd werd door het signaal, was de uitvoer te chaotisch.

Dit betekende volgens het team dat het optimale signaal aan de rand van deze chaotische toestand lag.

Professor Kuncic is van de Universiteit van Sydney. 

"Sommige theorieën in de neurowetenschappen suggereren dat de menselijke geest zou kunnen werken aan deze rand van chaos, of wat de kritieke toestand wordt genoemd", zei professor Kuncic. "Sommige neurowetenschappers denken dat het in deze toestand is dat we maximale hersenprestaties bereiken."

"Wat zo opwindend is aan dit resultaat, is dat het suggereert dat dit soort nanodraadnetwerken kunnen worden afgestemd op regimes met diverse, breinachtige collectieve dynamieken, die kunnen worden gebruikt om de informatieverwerking te optimaliseren", vervolgde ze. 

Het nanodraadnetwerk kan geheugen en bewerkingen in één systeem integreren dankzij de verbindingen tussen de draden. Dit verschilt van standaardcomputers, die afhankelijk zijn van gescheiden geheugen en bewerkingen. 

"Deze knooppunten werken als computertransistors, maar met de extra eigenschap dat ze onthouden dat signalen dat pad eerder hebben afgelegd. Als zodanig worden ze 'memristors' genoemd,' zei Hochstetter.

Het geheugen is in fysieke vorm met de knooppunten op de kruispunten tussen nanodraden die werken als schakelaars. Hun gedrag hangt af van de historische reactie op elektrische signalen, en wanneer signalen over de knooppunten worden toegepast, worden ze geactiveerd terwijl er stroom doorheen vloeit.

"Dit creëert een geheugennetwerk binnen het willekeurige systeem van nanodraden," zei hij.

Het team ontwikkelde een simulatie van het fysieke netwerk om aan te tonen dat het zeer eenvoudige taken kan oplossen. 

"Voor deze studie hebben we het netwerk getraind om een ​​eenvoudige golfvorm om te zetten in meer complexe soorten golfvormen," zei Hochstetter.

Het team paste de amplitude en frequentie van het elektrische signaal aan om te zien waar de beste prestatie plaatsvond.

"We ontdekten dat als je het signaal te langzaam pusht, het netwerk steeds hetzelfde doet zonder te leren en te ontwikkelen. Als we het te hard en te snel pushen, wordt het netwerk grillig en onvoorspelbaar”, zei hij.

Voordelen in de echte wereld

Volgens professor Kuncic heeft het verenigen van geheugen en operaties grote voordelen voor kunstmatige intelligentie. 

"Algoritmen die nodig zijn om het netwerk te trainen om te weten aan welk knooppunt de juiste 'lading' of het juiste gewicht aan informatie moet worden toegekend, kauwen veel kracht op," zei ze.

“Met de systemen die we ontwikkelen, zijn dergelijke algoritmen niet meer nodig. We laten het netwerk gewoon zijn eigen weging ontwikkelen, wat betekent dat we ons alleen zorgen hoeven te maken over signaal in en signaal uit, een raamwerk dat bekend staat als 'reservoir computing'. De netwerkgewichten zijn zelfaanpassend, waardoor mogelijk grote hoeveelheden energie vrijkomen.”

Kuncic zegt dat dit betekent dat toekomstige AI-systemen die op deze netwerken vertrouwen, een veel lagere energievoetafdruk zullen hebben.