Rede de Nanofios Artificiais Age como Cérebro quando Estimulada Eletricamente

Cientistas da Universidade de Sydney e do Instituto Nacional de Ciência de Materiais do Japão (NIMS) descobriram como fazer uma rede artificial de nanofios agir de forma semelhante à do cérebro quando estimulada eletricamente.

O estudo foi publicado em Nature Communications.

A equipe internacional foi liderada por Joel Hochstetter, que foi acompanhado pelo Professor Zdenka Kuncic e pelo Professor Tomonobu Nakayama.

A equipe descobriu que pode manter uma rede de nanofios em um estado semelhante ao do cérebro “à beira do caos” para realizar tarefas em um nível ótimo.

De acordo com os pesquisadores, isso sugere que a natureza subjacente da inteligência neural é física e pode levar a novos desenvolvimentos na inteligência artificial.

Joel Hochstetter é um candidato a doutorado no Instituto de Nanotecnologia da Universidade de Sydney e na Escola de Física e é o autor principal do artigo.

“Usamos fios de 10 micrômetros de comprimento e não mais grossos que 500 nanômetros dispostos aleatoriamente em um plano bidimensional”, disse Hochstetter.

“Onde os fios se sobrepõem, formam uma junção eletroquímica, como as sinapses entre neurônios”, disse ele. “Descobrimos que os sinais elétricos passados por essa rede automaticamente encontram a melhor rota para transmitir informações. E essa arquitetura permite que a rede ‘lembre’ de caminhos anteriores pelo sistema.”

Testando a Rede de Nanofios

A equipe de pesquisa usou simulações para testar a rede de nanofios aleatórios a fim de aprender como ela poderia realizar tarefas simples.

Sempre que o sinal que estimulava a rede era muito baixo, o caminho não produzia saídas complexas o suficiente porque eram muito previsíveis. Por outro lado, se a rede era sobrecarregada pelo sinal, a saída era muito caótica.

Isso significava que o sinal ótimo estava à beira desse estado caótico, de acordo com a equipe.

O Professor Kuncic é da Universidade de Sydney.

“Algumas teorias em neurociência sugerem que a mente humana pode operar nesse limite de caos, ou o que é chamado de estado crítico”, disse o Professor Kuncic. “Alguns neurocientistas pensam que é nesse estado que alcançamos o desempenho máximo do cérebro.”

“O que é tão emocionante sobre esse resultado é que ele sugere que esses tipos de redes de nanofios podem ser ajustados para regimes com dinâmicas coletivas semelhantes ao cérebro, o que pode ser explorado para otimizar o processamento de informações”, continuou ela.

A rede de nanofios é capaz de incorporar memória e operações em um único sistema devido às junções entre os fios. Isso é diferente dos computadores padrão, que dependem de memória e operações separadas.

“Essas junções agem como transistores de computador, mas com a propriedade adicional de lembrar que sinais viajaram por esse caminho antes. Como tal, são chamados de ‘memristores'”, disse Hochstetter.

A memória está em forma física, com as junções nos pontos de cruzamento entre nanofios agindo como interruptores. Seu comportamento depende da resposta histórica a sinais elétricos, e quando sinais são aplicados nas junções, eles são ativados à medida que a corrente flui por eles.

“Isso cria uma rede de memória dentro do sistema aleatório de nanofios”, disse ele.

A equipe desenvolveu uma simulação da rede física para demonstrar sua capacidade de resolver tarefas muito simples.

“Para este estudo, treinamos a rede para transformar uma onda simples em tipos de ondas mais complexas”, disse Hochstetter.

A equipe ajustou a amplitude e a frequência do sinal elétrico para ver onde o melhor desempenho ocorria.

“Descobrimos que, se você empurra o sinal muito lentamente, a rede apenas faz a mesma coisa repetidamente sem aprender e se desenvolver. Se empurrarmos muito forte e rápido, a rede se torna errática e imprevisível”, disse ele.

Vantagens no Mundo Real

De acordo com o Professor Kuncic, unir memória e operações tem benefícios significativos para a inteligência artificial.

“Os algoritmos necessários para treinar a rede para saber qual junção deve ser atribuída ao ‘carga’ ou peso de informações consome muita energia”, disse ela.

“Os sistemas que estamos desenvolvendo eliminam a necessidade de tais algoritmos. Permitimos que a rede desenvolva seu próprio peso, significando que só precisamos nos preocupar com o sinal de entrada e saída, um quadro conhecido como ‘computação de reservatório’. Os pesos da rede são autoadaptáveis, potencialmente liberando grandes quantidades de energia.”

Kuncic diz que isso significa que os futuros sistemas de IA que dependem dessas redes terão uma pegada de energia muito menor.