Sztuczna sieć nanodrutowa działa jak mózg, gdy jest stymulowana elektrycznie

Naukowcy z Uniwersytetu w Sydney i japońskiego Narodowego Instytutu Nauki o Materiałach (NIMS) odkryli, jak zrobić sztuczną sieć nanodrutową, która działa w sposób podobny do mózgu, gdy jest stymulowana elektrycznie.

Badanie zostało opublikowane w Nature Communications.

Międzynarodowy zespół został poprowadzony przez Joela Hochstettera, który został dołączony przez profesor Zdenkę Kuncic i profesora Tomonobu Nakayamę.

Zespół odkrył, że mogą utrzymać sieć nanodrutową w stanie podobnym do mózgu „na granicy chaosu”, aby wykonywać zadania na optymalnym poziomie.

Według badaczy, to sugeruje, że podstawowa natura inteligencji neuronalnej jest fizyczna i może prowadzić do nowych rozwojów w sztucznej inteligencji.

Joel Hochstetter jest kandydatem na stopień doktora w Instytucie Nano Uniwersytetu w Sydney i Szkoły Fizyki oraz głównym autorem artykułu.

“Użyliśmy drutów o długości 10 mikrometrów i nie grubszych niż 500 nanometrów, ułożonych losowo na płaszczyźnie dwuwymiarowej”, powiedział Hochstetter.

“Gdzie druty się nakładają, tworzą elektrochemiczne połączenie, podobne do synaps między neuronami”, powiedział. “Odkryliśmy, że sygnały elektryczne wprowadzane do tej sieci automatycznie znajdują najlepszą trasę do transmisji informacji. A ta architektura pozwala sieci „pamiętać” poprzednie ścieżki w systemie.”

Testowanie sieci nanodrutowej

Zespół badawczy użył symulacji, aby przetestować losową sieć nanodrutową, aby dowiedzieć się, jak może najlepiej działać i rozwiązywać proste zadania.

Gdy sygnał stymulujący sieć był zbyt niski, ścieżka nie produkowała wystarczająco złożonych wyników, ponieważ były zbyt przewidywalne. Z drugiej strony, jeśli sieć była przytłoczona sygnałem, wynik był zbyt chaotyczny.

To oznaczało, że optymalny sygnał był na granicy tego chaotycznego stanu, według zespołu.

Profesor Kuncic jest z Uniwersytetu w Sydney.

“Niektóre teorie w neuronaukach sugerują, że ludzki umysł może działać na granicy chaosu, czyli w stanie krytycznym”, powiedział profesor Kuncic. “Niektórzy neurobiolodzy uważają, że jest to stan, w którym osiągamy maksymalną wydajność mózgu.”

“To, co jest tak ekscytujące w tym wyniku, to to, że sugeruje, że tego typu sieci nanodrutowe mogą być dostosowane do reżimów z różnymi, podobnymi do mózgu, dynamikami zbiorowymi, które mogą być wykorzystane do optymalizacji przetwarzania informacji”, kontynuowała.

Sieć nanodrutowa jest w stanie uwzględnić pamięć i operacje w jednym systemie dzięki połączeniom między drutami. Jest to inaczej niż w standardowych komputerach, które polegają na oddzielnych pamięciach i operacjach.

“Te połączenia działają jak tranzystory komputerowe, ale z dodatkową właściwością pamięci, że sygnały przeszły tą ścieżką wcześniej. Są więc nazywane „memistorami””, powiedział Hochstetter.

Pamięć jest w postaci fizycznej, a połączenia na punktach przecięcia między nanodrutami działają jak przełączniki. Ich zachowanie zależy od historycznej odpowiedzi na sygnały elektryczne, a gdy sygnały są aplikowane przez połączenia, są aktywowane, gdy płynie przez nie prąd.

“To tworzy sieć pamięci w losowym systemie nanodrutowym”, powiedział.

Zespół opracował symulację fizycznej sieci, aby zademonstrować jej zdolność do rozwiązywania bardzo prostych zadań.

“W tym badaniu wyszkoliliśmy sieć, aby przekształcić prostą falę w bardziej złożone typy fal”, powiedział Hochstetter.

Zespół dostosował amplitudę i częstotliwość sygnału elektrycznego, aby zobaczyć, gdzie następuje najlepsza wydajność.

“Odkryliśmy, że jeśli pchnie się sygnał zbyt wolno, sieć po prostu robi to samo coś ponownie i nie uczy się i nie rozwija. Jeśli pchnie się ją zbyt szybko i mocno, sieć staje się kapryśna i nieprzewidywalna”, powiedział.

Rzeczywiste korzyści

Według profesor Kuncic, łączenie pamięci i operacji ma duże korzyści dla sztucznej inteligencji.

“Algorytmy potrzebne do trenowania sieci, aby wiedziała, które połączenie powinno być przypisane do odpowiedniej „obciążenia” lub wagi informacji, pochłaniają dużo mocy”, powiedziała.

“Systemy, które rozwijamy, eliminują potrzebę takich algorytmów. Po prostu pozwalamy sieci rozwijać własne ważenie, co oznacza, że musimy się tylko martwić o sygnał wejściowy i wyjściowy, w ramach tzw. „obliczeń zbiornikowych”. Wagi sieci są samodostosowujące się, co potencjalnie uwalnia duże ilości energii.”

Kuncic mówi, że to oznacza, że przyszłe systemy sztucznej inteligencji, które polegają na tych sieciach, będą miały znacznie niższe ślady energetyczne.