Штучна мережа нандротів діє як мозок при електричній стимуляції

Університет Сіднея та Національний інститут матеріалознавства Японії (NIMS) відкрили, як зробити штучну мережу нандротів, яка діє як мозок при електричній стимуляції.

Дослідження було опубліковано в Nature Communications.

Міжнародна команда була очолювана Джоелом Хохштеттером, до якого приєдналися професор Зденка Кунцік та професор Томонобу Накаяма.

Команда виявила, що вони можуть утримувати мережу нандротів у мозкоподібному стані “на межі хаосу”, щоб виконувати завдання на оптимальному рівні.

За словами дослідників, це свідчить про те, що основна природа нейронної інтелектуальності є фізичною, і це може привести до нових розробок у сфері штучного інтелекту.

Джоел Хохштеттер – аспірант Інституту наноінженерії та фізичного факультету Університету Сіднея та головний автор статті.

“Ми використовували дроти довжиною 10 мікрометрів і товщиною не більше 500 нанометрів, розташовані випадково на двовимірній площині”, – сказав Хохштеттер.

“Там, де дроти перекриваються, вони утворюють електрохімічний з’єднання, подібний до синапсів між нейронами”, – сказав він. “Ми виявили, що електричні сигнали, які проходять через цю мережу, автоматично знають найкращий шлях для передачі інформації. І ця архітектура дозволяє мережі “запам’ятовувати” попередні шляхи через систему.”

Тестування мережі нандротів

Дослідницька команда використовувала симуляції для тестування випадкової мережі нандротів, щоб дізнатися, як вона може найкраще виконувати завдання та вирішувати прості завдання.

Коли сигнал, який стимулює мережу, був занадто низьким, шлях не давав достатньо складних виходів, оскільки вони були надто передбачуваними. З іншого боку, якщо мережа була перегружена сигналом, вихід був занадто хаотичним.

Це означало, що оптимальний сигнал був на межі цього хаотичного стану, згідно з командою.

Професор Кунцік з Університету Сіднея.

“Деякі теорії нейробіології припускають, що людський мозок може працювати на цій межі хаосу, або так званому критичному стані”, – сказав професор Кунцік. “Деякі нейробіологи вважають, що саме в цьому стані ми досягаємо максимальної ефективності мозку.”

“Що так цікаво в цьому результаті, так це те, що він свідчить про те, що такі мережі нандротів можуть бути налаштовані на режими з різними, мозкоподібними колективними динамічними процесами, які можуть бути використані для оптимізації обробки інформації”, – продовжила вона.

Мережа нандротів може включати пам’ять та операції в одну систему завдяки з’єднанням між дротами. Це відрізняється від стандартних комп’ютерів, які покладаються на окрему пам’ять та операції.

“Ці з’єднання діють як комп’ютерні транзистори, але з додатковою властивістю – вони запам’ятовують, що сигнали пройшли цим шляхом раніше. Тому їх називають “мемрісторами””, – сказав Хохштеттер.

Пам’ять знаходиться у фізичній формі з’єднань на перетині нандротів, які діють як перемикачі. Їх поведінка залежить від історичної реакції на електричні сигнали, і коли сигнали подаються через з’єднання, вони активуються, коли струм протікає через них.

“Це створює мережу пам’яті всередині випадкової системи нандротів”, – сказав він.

Команда розробила симуляцію фізичної мережі, щоб продемонструвати її здатність вирішувати дуже прості завдання.

“Для цього дослідження ми навчили мережу перетворювати просту форму хвилі у складніші типи хвиль”, – сказав Хохштеттер.

Команда регулювала амплітуду та частоту електричного сигналу, щоб побачити, де відбувається найкраща продуктивність.

“Ми виявили, що якщо ви тягнете сигнал занадто повільно, мережа просто робить одне й те саме знову і знову, не навчається та не розвивається. Якщо ми тягнули його занадто швидко та сильно, мережа ставала ерратичною та непередбачуваною”, – сказав він.

Практичні переваги

За словами професора Кунцік, об’єднання пам’яті та операцій має великі переваги для штучного інтелекту.

“Алгоритми, необхідні для навчання мережі, щоб знати, яке з’єднання повинно бути присвоєно відповідному “навантаженню” або вагі інформації, споживають багато енергії”, – сказала вона.

“Системи, які ми розробляємо, позбавляють від потреби в таких алгоритмах. Ми просто дозволяємо мережі розвивати свою власну вагу, що означає, що нам потрібно тільки турбуватися про сигнал на вході та виході, у рамках такої структури, як “резервуарний обчислення”. Ваги мережі самі адаптуються, потенційно звільняючи велику кількість енергії.”

Кунцік каже, що це означає, що майбутні системи штучного інтелекту, які покладаються на ці мережі, матимуть значно нижчий енергоспоживання.