Kunstig nanotrådnettverk fungerer som hjernen når det elektrisk stimuleres

Forskere ved University of Sydney og Japans nasjonale institutt for materialvitenskap (NIMS) har oppdaget hvordan man kan lage et kunstig nettverk av nanotråder som fungerer på en hjerneliknende måte når det elektrisk stimuleres.

Studien ble publisert i Nature Communications.

Det internasjonale teamet ble ledet av Joel Hochstetter, som ble sammen med professor Zdenka Kuncic og professor Tomonobu Nakayama.

Teamet fant ut at de kunne holde et nettverk av nanotråder i en hjerneliknende tilstand “på kanten av kaos” for å utføre oppgaver på et optimalt nivå.

Ifølge forskerne tyder dette på at den underliggende naturen til neural intelligens er fysisk, og det kan føre til nye utviklinger i kunstig intelligens.

Joel Hochstetter er en doktorgradskandidat ved University of Sydney Nano Institute og School of Physics og hovedforfatter av artikkelen.

“Vi brukte tråder som var 10 mikrometer lange og ikke tykkere enn 500 nanometer, plassert tilfeldig på en todimensjonal plane,” sa Hochstetter.

“Der trådene overlapper, danner de en elektrokjemisk kobling, som synapsene mellom neuroner,” sa han. “Vi fant ut at elektriske signaler som ble sendt gjennom dette nettverket automatisk fant den beste ruten for å overføre informasjon. Og denne arkitekturen tillater nettverket å ‘huske’ tidligere stier gjennom systemet.”

Testing av nanotrådnettverket

Forsknings-teamet brukte simuleringsmodeller for å teste det tilfeldige nanotrådnettverket for å lære hvordan det kunne fungere best og løse enkle oppgaver.

Når signalet som stimulerte nettverket var for lavt, produserte stien ikke komplekse nok utdata fordi de var for forutsigbare. På den andre siden, hvis nettverket ble overveldet av signalet, var utdataet for kaotisk.

Dette betydde at det optimale signalet var på kanten av denne kaotiske tilstanden, ifølge teamet.

Professor Kuncic er fra University of Sydney.

“Noen teorier i nevrovitenskapen foreslår at det menneskelige sinnet kunne fungere på denne kanten av kaos, eller det som kalles den kritiske tilstanden,” sa professor Kuncic. “Noen nevroforskere tror det er i denne tilstanden hvor vi oppnår maksimal hjerneprestasjon.”

“Hva som er så spennende med dette resultatet er at det tyder på at disse typene nanotrådnettverk kan justeres inn i regime med diverse, hjerneliknende kollektive dynamikker, som kan utnyttes til å optimere informasjonsbehandling,” fortsatte hun.

Nanotrådnettverket kan inkorporere minne og operasjoner i ett enkelt system på grunn av koblingene mellom trådene. Dette er forskjellig fra standard datamaskiner, som avhenger av separate minne og operasjoner.

“Disse koblingene fungerer som datamaskintransistorer, men med den ekstra egenskapen at de husker at signaler har reist denne veien før. Derfor kalles de ‘memristorer’,” sa Hochstetter.

Minnet er i fysisk form med koblingene på krysningspunktene mellom nanotrådene som fungerer som brytere. Deres atferd avhenger av historisk respons på elektriske signaler, og når signaler blir applisert over koblingene, blir de aktivert som strøm flyter gjennom dem.

“Dette skaper et minnenettverk innen det tilfeldige systemet av nanotråder,” sa han.

Teamet utviklet en simuleringsmodell av det fysiske nettverket for å demonstrere dens evne til å løse enkle oppgaver.

“I denne studien trente vi nettverket til å transformere en enkel bølgeform til mer komplekse typer bølgeformer,” sa Hochstetter.

Teamet justerte amplituden og frekvensen av det elektriske signalet for å se hvor den beste ytelsen tok plaats.

“Vi fant ut at hvis du trykker signalet for langsomt, gjør nettverket bare det samme over og over uten å lære og utvikle. Hvis vi trykker det for hardt og raskt, blir nettverket erratisk og uforutsigbart,” sa han.

Reelle fordeler

Ifølge professor Kuncic har å forene minne og operasjoner store fordeler for kunstig intelligens.

“Algoritmene som trengs for å trene nettverket til å vite hvilken kobling som skal tildeles den riktige ‘lasten’ eller vekten av informasjon, bruker opp mye kraft,” sa hun.

“Systemene vi utvikler gjør det unødvendig å bruke slike algoritmer. Vi lar bare nettverket utvikle sin egen vekt, noe som betyr at vi bare trenger å bekymre oss om signal inn og signal ut, et rammeverk som kalles ‘reservoir computing’. Nettverksvektene er selv-tilpasningsdyktige, noe som potensielt kan frigjøre store mengder energi.”

Kuncic sier at dette betyr at fremtidige AI-systemer som avhenger av disse nettverkene vil ha mye lavere energifotavtrykk.