Mạng dây nano nhân tạo hoạt động giống như não khi được kích thích bằng điện 

Các nhà khoa học tại Đại học Sydney và Viện Khoa học Vật liệu Quốc gia Nhật Bản (NIMS) đã khám phá ra cách làm cho một mạng lưới dây nano nhân tạo hoạt động theo cách giống như não bộ khi được kích thích bằng điện. 

Nghiên cứu được công bố trên Nature Communications. 

Nhóm quốc tế do Joel Hochstetter dẫn đầu, cùng với Giáo sư Zdenka Kuncic và Giáo sư Tomonobu Nakayama. 

Nhóm nghiên cứu nhận thấy rằng họ có thể giữ một mạng lưới các dây nano ở trạng thái giống như bộ não “ở rìa của sự hỗn loạn” để thực hiện các nhiệm vụ ở mức tối ưu. 

Theo các nhà nghiên cứu, điều này cho thấy bản chất cơ bản của trí tuệ thần kinh là vật chất và nó có thể dẫn đến những bước phát triển mới trong trí tuệ nhân tạo. 

Joel Hochstetter là ứng cử viên tiến sĩ tại Viện Nano và Trường Vật lý của Đại học Sydney và là tác giả chính của bài báo.

Hochstetter cho biết: “Chúng tôi đã sử dụng các dây dài 10 micromet và không dày hơn 500 nanomet được sắp xếp ngẫu nhiên trên một mặt phẳng hai chiều.

Ông nói: “Khi các dây chồng lên nhau, chúng tạo thành một điểm nối điện hóa, giống như các khớp thần kinh giữa các tế bào thần kinh. “Chúng tôi nhận thấy rằng các tín hiệu điện truyền qua mạng này sẽ tự động tìm ra con đường tốt nhất để truyền thông tin. Và kiến ​​trúc này cho phép mạng 'ghi nhớ' các đường dẫn trước đó thông qua hệ thống.”

Thử nghiệm mạng dây nano

Nhóm nghiên cứu đã sử dụng mô phỏng để kiểm tra mạng dây nano ngẫu nhiên nhằm tìm hiểu cách thức hoạt động tốt nhất và giải quyết các tác vụ đơn giản. 

Bất cứ khi nào tín hiệu kích thích mạng quá thấp, đường dẫn không tạo ra đầu ra đủ phức tạp vì chúng quá dễ đoán. Mặt khác, nếu tín hiệu tràn ngập mạng, đầu ra quá hỗn loạn.

Theo nhóm nghiên cứu, điều này có nghĩa là tín hiệu tối ưu nằm ở rìa của trạng thái hỗn loạn này.

Giáo sư Kuncic đến từ Đại học Sydney. 

Giáo sư Kuncic cho biết: “Một số lý thuyết về khoa học thần kinh cho rằng tâm trí con người có thể hoạt động ở rìa hỗn loạn này, hay còn gọi là trạng thái tới hạn. “Một số nhà thần kinh học cho rằng ở trạng thái này chúng ta đạt được hiệu suất tối đa của não.”

“Điều thú vị về kết quả này là nó gợi ý rằng các loại mạng dây nano này có thể được điều chỉnh thành các chế độ với các động lực tập thể đa dạng, giống như não bộ, có thể được tận dụng để tối ưu hóa quá trình xử lý thông tin,” cô ấy tiếp tục. 

Mạng dây nano có thể kết hợp bộ nhớ và hoạt động vào một hệ thống duy nhất do các điểm nối giữa các dây. Điều này khác với các máy tính tiêu chuẩn, dựa trên các hoạt động và bộ nhớ riêng biệt. 

“Những điểm nối này hoạt động giống như các bóng bán dẫn máy tính nhưng có thêm đặc tính ghi nhớ rằng các tín hiệu đã đi theo con đường đó trước đó. Như vậy, chúng được gọi là 'memristor',” Hochstetter nói.

Bộ nhớ ở dạng vật lý với các mối nối tại các điểm giao nhau giữa các dây nano hoạt động giống như công tắc. Hành vi của chúng phụ thuộc vào phản ứng lịch sử đối với tín hiệu điện và khi tín hiệu được áp dụng qua các điểm nối, chúng được kích hoạt khi dòng điện chạy qua chúng.

Ông nói: “Điều này tạo ra một mạng bộ nhớ trong hệ thống dây nano ngẫu nhiên.

Nhóm đã phát triển một mô phỏng mạng vật lý để chứng minh khả năng giải quyết các nhiệm vụ rất đơn giản của nó. 

Hochstetter cho biết: “Đối với nghiên cứu này, chúng tôi đã đào tạo mạng lưới để chuyển đổi một dạng sóng đơn giản thành các dạng sóng phức tạp hơn.

Nhóm nghiên cứu đã điều chỉnh biên độ và tần số của tín hiệu điện để xem hiệu suất tốt nhất diễn ra ở đâu.

“Chúng tôi nhận thấy rằng nếu bạn đẩy tín hiệu quá chậm, mạng sẽ lặp đi lặp lại cùng một việc mà không học hỏi và phát triển. Nếu chúng tôi đẩy nó quá mạnh và nhanh, mạng sẽ trở nên thất thường và không thể đoán trước,” anh ấy nói.

Ưu điểm trong thế giới thực

Theo Giáo sư Kuncic, việc hợp nhất bộ nhớ và hoạt động mang lại lợi ích lớn cho trí tuệ nhân tạo. 

Cô ấy nói: “Các thuật toán cần thiết để đào tạo mạng để biết điểm nối nào sẽ được đặt 'tải' hoặc trọng lượng thông tin thích hợp tiêu tốn rất nhiều năng lượng.

“Các hệ thống mà chúng tôi đang phát triển không cần đến các thuật toán như vậy. Chúng tôi chỉ cho phép mạng phát triển trọng số của riêng mình, nghĩa là chúng tôi chỉ cần lo lắng về tín hiệu vào và tín hiệu ra, một khuôn khổ được gọi là 'điện toán hồ chứa'. Các trọng số mạng có khả năng tự thích ứng, có khả năng giải phóng một lượng lớn năng lượng.”

Kuncic nói rằng điều này có nghĩa là các hệ thống AI trong tương lai dựa trên các mạng này sẽ có dấu chân năng lượng thấp hơn nhiều.