Wetenschappers van de Universiteit van Sydney en het Japanse National Institute for Material Science (NIMS) hebben ontdekt dat een kunstmatig netwerk van nanodraden kan worden afgestemd om op een hersenachtige manier te reageren wanneer het elektrisch wordt gestimuleerd.

Het internationale team, onder leiding van Joel Hochstetter met professor Zdenka Kuncic en professor Tomonobu Nakayama, ontdekte dat door het netwerk van nanodraden in een hersenachtige staat te houden "aan de rand van chaos", het voerde taken op een optimaal niveau uit.

Dit, ze zeggen, suggereert dat de onderliggende aard van neurale intelligentie fysiek is, en hun ontdekking opent een opwindende weg voor de ontwikkeling van kunstmatige intelligentie.

De studie is vandaag gepubliceerd in Natuur Communicatie.

"We gebruikten draden van 10 micrometer lang en niet dikker dan 500 nanometer die willekeurig op een tweedimensionaal vlak waren gerangschikt, " zei hoofdauteur Joel Hochstetter, een promovendus aan het Nano Institute en School of Physics van de Universiteit van Sydney.

"Waar de draden elkaar overlappen, ze vormen een elektrochemische verbinding, zoals de synapsen tussen neuronen, " zei hij. "We ontdekten dat elektrische signalen die via dit netwerk worden geplaatst automatisch de beste route vinden voor het verzenden van informatie. En dankzij deze architectuur kan het netwerk eerdere paden door het systeem 'onthouden'."

Op de rand van chaos

Met behulp van simulaties, het onderzoeksteam testte het willekeurige nanodraadnetwerk om te zien hoe het het best presteert om eenvoudige taken op te lossen.

Als het signaal dat het netwerk stimuleerde te laag was, toen waren de paden te voorspelbaar en geordend en produceerden ze niet complex genoeg om bruikbaar te zijn. Als het elektrische signaal het netwerk overweldigt, de output was volledig chaotisch en nutteloos voor het oplossen van problemen.

Het optimale signaal voor het produceren van een bruikbare output bevond zich aan de rand van deze chaotische toestand.

"Sommige theorieën in de neurowetenschappen suggereren dat de menselijke geest zou kunnen opereren aan deze rand van chaos, of wat de kritieke toestand wordt genoemd, " zei professor Kuncic van de Universiteit van Sydney. "Sommige neurowetenschappers denken dat het in deze staat is waar we maximale hersenprestaties bereiken."

Professor Kuncic is de Ph.D. van de heer Hochstetter. adviseur en is momenteel een Fulbright Scholar aan de Universiteit van Californië in Los Angeles, werken op het snijvlak van nanowetenschap en kunstmatige intelligentie.

Ze zei:"Wat zo opwindend is aan dit resultaat, is dat het suggereert dat dit soort nanodraadnetwerken kunnen worden afgestemd op regimes met diverse, hersenachtige collectieve dynamiek, die kunnen worden gebruikt om de informatieverwerking te optimaliseren."

De dualiteit van computers overwinnen

In het nanodraadnetwerk zorgen de knooppunten tussen de draden ervoor dat het systeem geheugen en bewerkingen in één systeem kan opnemen. Dit in tegenstelling tot standaard computers, die geheugen (RAM) en bewerkingen (CPU's) scheiden.

"Deze knooppunten werken als computertransistors, maar met de extra eigenschap om te onthouden dat signalen dat pad eerder hebben afgelegd. Als zodanig, ze worden 'memristors' genoemd, ' zei meneer Hochstetter.

Dit geheugen neemt een fysieke vorm aan, waar de knooppunten op de kruispunten tussen nanodraden werken als schakelaars, wiens gedrag afhangt van de historische reactie op elektrische signalen. Wanneer signalen over deze knooppunten worden aangelegd, er groeien kleine zilveren filamenten die de knooppunten activeren door stroom door te laten stromen.

"Dit creëert een geheugennetwerk binnen het willekeurige systeem van nanodraden, " hij zei.

De heer Hochstetter en zijn team hebben een simulatie gemaakt van het fysieke netwerk om te laten zien hoe het kan worden getraind om zeer eenvoudige taken op te lossen.

"Voor deze studie hebben we het netwerk getraind om een ​​eenvoudige golfvorm om te zetten in meer complexe soorten golfvormen, ' zei meneer Hochstetter.

In de simulatie pasten ze de amplitude en frequentie van het elektrische signaal aan om te zien waar de beste prestatie optrad.

"We ontdekten dat als je het signaal te langzaam duwt, het netwerk steeds weer hetzelfde doet zonder te leren en te ontwikkelen. Als we het te hard en snel pushen, het netwerk wordt grillig en onvoorspelbaar, " hij zei.

De onderzoekers van de Universiteit van Sydney werken nauw samen met medewerkers van het International Centre for Materials Nanoarchictonics bij NIMS in Japan en UCLA, waar professor Kuncic een bezoekende Fulbright Scholar is. De nanodraadsystemen zijn ontwikkeld bij NIMS en UCLA en de heer Hochstetter ontwikkelde de analyse, werken met co-auteurs en mede-doctoraatsstudenten, Ruomin Zhu en Alon Loeffler.

Energieverbruik verminderen

Professor Kuncic zei dat het verenigen van geheugen en operaties enorme praktische voordelen heeft voor de toekomstige ontwikkeling van kunstmatige intelligentie.

"Algoritmen die nodig zijn om het netwerk te trainen om te weten welk knooppunt de juiste 'belasting' of het juiste gewicht aan informatie moet krijgen, vreten veel kracht op, " ze zei.

"De systemen die we ontwikkelen, maken een einde aan de behoefte aan dergelijke algoritmen. We laten het netwerk gewoon zijn eigen weging ontwikkelen, wat betekent dat we ons alleen zorgen hoeven te maken over signaal in en uit, een raamwerk dat bekend staat als 'reservoir computing'. De netwerkgewichten zijn zelfaanpassend, mogelijk grote hoeveelheden energie vrijmaken."

Dit, ze zei, betekent dat toekomstige kunstmatige-intelligentiesystemen die dergelijke netwerken gebruiken, een veel lagere energievoetafdruk zouden hebben.