研究人员在量子材料中模仿海蛞蝓的策略

普渡大学的研究人员发现，一种材料可以模仿海蛞蝓的基本智能特征。这可能有助于他们构建能够使人工智能更加高效和可靠的硬件，这可能会影响许多领域，例如自动驾驶汽车、手术机器人和社交媒体算法。

该研究发表在《国家科学院院刊》上，由普渡大学、佐治亚大学、罗格斯大学和阿贡国家实验室的研究人员共同领导。

普渡大学材料工程教授希拉姆·拉曼纳坦说：“通过研究海蛞蝓，神经科学家发现了基本的智能特征，这对于任何生物的生存都是至关重要的。我们希望利用这些成熟的智能来加速人工智能的发展。”

从海蛞蝓中学习

神经科学家从海蛞蝓中学习了两个主要的智能特征：习惯化和敏化。习惯化是指生物在长时间内对某一刺激变得不敏感，而敏化是指生物对新刺激做出强烈反应。

人工智能面临的一个主要问题是“稳定性-可塑性困境”，即人工智能难以学习和存储新信息而不覆盖现有信息。通过习惯化，人工智能可以“忘记”不需要的信息以变得更加稳定。同时，敏化可以帮助人工智能保留新信息和重要信息，从而实现可塑性。

在镍氧化物中演示策略

研究人员能够在镍氧化物中演示习惯化和敏化，镍氧化物是一种量子材料，因为其性质不能用经典物理学解释。如果量子材料能够成功地使用这些学习形式，那么就有可能直接将人工智能构建到硬件中。人工智能可以在使用更少能量的同时执行更复杂的任务，如果它可以同时通过硬件和软件运行。

拉曼纳坦说：“我们基本上模仿了在海蛞蝓上进行的实验，以了解这些材料如何对人工智能产生兴趣。”

海蛞蝓通过减少对刺激的反应来展示习惯化，例如当它们被困在海藻上时。电击海蛞蝓的尾部会导致其更剧烈地反应，这是敏化。

为了在镍氧化物中复制这一过程，需要增加电阻的变化。通过反复将材料暴露在氢气中，镍氧化物的电阻变化会随时间减少。然而，当引入新的刺激，如臭氧时，电阻的变化会大大增加。

研究小组考虑了这些发现，并建立了一个算法，可以使用习惯化和敏化策略来对数据点进行分类。

“稳定性-可塑性困境并没有完全解决。但我们已经展示了一种基于量子材料中观察到的行为来解决它的方法，”普渡大学电气和计算机工程爱德华·G·蒂德曼教授卡乌希克·罗伊说。“如果我们能够将这种学习材料转化为硬件，那么人工智能就可以更高效地执行任务。”

为了使这一发现具有实际意义，研究人员必须找到如何将这些策略应用于大规模系统，以及如何使材料在集成到计算机芯片中时对刺激做出反应。