Искусственная нанопроводная сеть имитирует работу мозга при электрической стимуляции

Ученые из Университета Сиднея и Национального института материаловедения Японии (NIMS) открыли способ создания искусственной сети нанопроводов, которая работает подобно мозгу при электрической стимуляции.

Исследование было опубликовано в Nature Communications.

Международная команда была возглавлена Джоэлом Хохштеттером, к которому присоединились профессор Зденка Кунцич и профессор Томонобу Накаяма.

Команда обнаружила, что они могут поддерживать сеть нанопроводов в состоянии, подобном мозгу, “на грани хаоса”, чтобы выполнять задачи на оптимальном уровне.

По мнению исследователей, это говорит о том, что основная природа нейронной интеллекта является физической и может привести к новым разработкам в области искусственного интеллекта.

Джоэл Хохштеттер – аспирант Университета Сиднея и школы физики, а также главный автор статьи.

“Мы использовали провода длиной 10 микрометров и толщиной не более 500 нанометров, расположенные случайным образом на двумерной плоскости”, – сказал Хохштеттер.

“В местах пересечения проводов образуются электрохимические соединения, подобные синапсам между нейронами”, – сказал он. “Мы обнаружили, что электрические сигналы, проходящие через эту сеть, автоматически находят лучший путь для передачи информации. И эта архитектура позволяет сети “запоминать” предыдущие пути через систему.”

Тестирование нанопроводной сети

Исследовательская команда использовала симуляции для тестирования случайной сети нанопроводов, чтобы узнать, как она может лучше выполнять и решать простые задачи.

Когда сигнал, стимулирующий сеть, был слишком низким, путь не производил достаточно сложных выходов, поскольку они были слишком предсказуемыми. С другой стороны, если сеть была перегружена сигналом, выход был слишком хаотичным.

Это означало, что оптимальный сигнал был на грани этого хаотического состояния, согласно команде.

Профессор Кунцич из Университета Сиднея.

“Некоторые теории нейробиологии предполагают, что человеческий разум может работать на грани хаоса, или так называемом критическом состоянии”, – сказал профессор Кунцич. “Некоторые нейробиологи считают, что именно в этом состоянии мы достигаем максимальной производительности мозга.”

“Что так интересно в этом результате, так это то, что он говорит о том, что эти типы нанопроводных сетей могут быть настроены на режимы с разнообразными, мозгоподобными коллективными динамиками, которые можно использовать для оптимизации обработки информации”, – продолжила она.

Сеть нанопроводов может включать память и операции в одну систему благодаря соединениям между проводами. Это отличается от стандартных компьютеров, которые полагаются на разделенную память и операции.

“Эти соединения работают как компьютерные транзисторы, но с дополнительным свойством – они запоминают, что сигналы прошли по этому пути раньше. Поэтому их называют “мемристорами””, – сказал Хохштеттер.

Память находится в физической форме с соединениями на пересечении нанопроводов, которые работают как переключатели. Их поведение зависит от исторического ответа на электрические сигналы, и когда сигналы применяются к соединениям, они активируются, когда ток проходит через них.

“Это создает сеть памяти внутри случайной системы нанопроводов”, – сказал он.

Команда разработала симуляцию физической сети, чтобы продемонстрировать ее способность решать очень простые задачи.

“Для этого исследования мы обучили сеть преобразовывать простую волновую форму в более сложные типы волновых форм”, – сказал Хохштеттер.

Команда отрегулировала амплитуду и частоту электрического сигнала, чтобы увидеть, где происходит лучшая производительность.

“Мы обнаружили, что если вы толкаете сигнал слишком медленно, сеть просто делает одно и то же снова и снова, не учась и не развиваясь. Если мы толкаем его слишком сильно и быстро, сеть становится непредсказуемой и хаотичной”, – сказал он.

Преимущества в реальном мире

По мнению профессора Кунцич, объединение памяти и операций имеет большое значение для искусственного интеллекта.

“Алгоритмы, необходимые для обучения сети, чтобы она знала, какому соединению следует присвоить соответствующую “нагрузку” или вес информации, потребляют много энергии”, – сказала она.

“Системы, которые мы разрабатываем, исключают необходимость таких алгоритмов. Мы просто позволяем сети развивать свою собственную систему весов, что означает, что нам нужно беспокоиться только о входном и выходном сигнале, в рамках так называемой “резервуарной вычислительной” системы. Веса сети являются самоадаптируемыми, что потенциально может сэкономить большое количество энергии.”

Кунцич говорит, что это означает, что будущие системы искусственного интеллекта, которые полагаются на эти сети, будут иметь гораздо более низкий энергетический след.