Kunstmatig nanodraadnetwerk gedraagt zich als brein wanneer het elektrisch wordt gestimuleerd

Wetenschappers van de Universiteit van Sydney en het Japanse Nationaal Instituut voor Materiaalwetenschap (NIMS) hebben ontdekt hoe ze een kunstmatig netwerk van nanodraden kunnen laten werken op een manier die lijkt op die van de hersenen wanneer het elektrisch wordt 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 toestand kunnen houden die lijkt op die van de hersenen “aan de rand van chaos” om taken op een optimale manier uit te voeren.

Volgens de onderzoekers suggereert dit dat de onderliggende aard van neurale intelligentie fysiek is en dat het kan leiden tot nieuwe ontwikkelingen in kunstmatige intelligentie.

Joel Hochstetter is een doctoraatsstudent aan het Nano-instituut en de School of Physics van de Universiteit van Sydney en de eerste auteur 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 overlappen, vormen ze een electrochemische verbinding, net als de synapsen tussen neuronen,” zei hij. “We ontdekten dat elektrische signalen die door dit netwerk werden gestuurd, automatisch de beste route vonden voor het doorgeven van informatie. En deze architectuur stelt het netwerk in staat om ‘herinneringen’ te bewaren van eerder door het systeem genomen paden.”

Testen van het nanodraadnetwerk

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

Wanneer het signaal dat het netwerk stimuleerde te laag was, produceerde het pad niet complexe genoeg uitvoer omdat het te voorspelbaar was. Aan de andere kant, als het netwerk werd overweldigd door het signaal, was de uitvoer te chaotisch.

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

Professor Kuncic is verbonden aan de Universiteit van Sydney.

“Sommige theorieën in de neurologie suggereren dat de menselijke geest op deze rand van chaos kan werken, of wat wordt genoemd de kritieke toestand,” zei professor Kuncic. “Sommige neurologen denken dat het in deze toestand is waarin we de maximale prestatie van de hersenen bereiken.”

“Wat zo spannend is aan dit resultaat, is dat het suggereert dat dit soort nanodraadnetwerken kan worden afgestemd op regimes met diverse, hersen-achtige collectieve dynamica, die kunnen worden gebruikt om informatieverwerking te optimaliseren,” zei ze verder.

Het nanodraadnetwerk kan geheugen en bewerkingen in één systeem integreren vanwege de verbindingen tussen de draden. Dit is anders dan standaardcomputers, die vertrouwen op gescheiden geheugen en bewerkingen.

“Deze verbindingen werken als computertransistors, maar met de extra eigenschap dat ze onthouden dat signalen eerder via dat pad zijn verlopen. Ze worden daarom ‘memristors’ genoemd,” zei Hochstetter.

Het geheugen is fysiek en de verbindingen op de kruispunten tussen nanodraden werken als schakelaars. Hun gedrag hangt af van hun historische reactie op elektrische signalen, en wanneer signalen worden toegepast op de verbindingen, worden ze geactiveerd wanneer stroom door hen heen stroomt.

“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 in staat was om zeer eenvoudige taken op te lossen.

“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 doorvoert, het netwerk hetzelfde doet zonder te leren en te ontwikkelen. Als we het te hard en snel doorvoeren, wordt het netwerk erratisch en onvoorspelbaar,” zei hij.

Praktische voordelen

Volgens professor Kuncic heeft het combineren van geheugen en bewerkingen grote voordelen voor kunstmatige intelligentie.

“Algoritmes die nodig zijn om het netwerk te trainen om te weten welke verbinding de juiste ‘last’ of gewicht van informatie moet krijgen, verbruiken veel energie,” zei ze.

“De systemen die we ontwikkelen, doen af met de behoefte aan dergelijke algoritmes. We laten het netwerk gewoon zijn eigen gewicht ontwikkelen, wat betekent dat we alleen hoeven te letten op signaal in en signaal uit, een kader dat ‘reservoir computing’ wordt genoemd. De netwerkgewichten zijn zelfaanpassend, wat mogelijk grote hoeveelheden energie kan vrijmaken.”

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