发现

一个以生物大脑“学会”为物理模型的实验计算系统，以识别手写数字，总体准确率为93.4%。实验中的关键创新是一种新的训练算法，该算法在学习时为系统实时提供有关其任务成功的连续信息。

该算法优于传统的机器学习方法，在传统的机器学习方法中，在处理一批数据后进行训练，准确率为91.4%。研究人员还表明，存储在系统本身中的过去输入的记忆增强了学习。相比之下，其他计算方法将内存存储在与设备处理器分开的软件或硬件中。

背景

15年来，加州大学洛杉矶分校（UCLA）加州纳米系统研究所（CNSI）的研究人员一直在开发一种新的计算平台技术。该技术是一个受大脑启发的系统，由一个纠结的含银电线网络组成，铺设在电极床上。该系统通过电脉冲接收输入并产生输出。每根电线非常小，以至于它们的直径是在纳米尺度上测量的，以十亿分之一米为单位。

“微小的银脑”与今天的计算机有很大不同，今天的计算机包含独立的存储器和处理模块，这些模块由原子组成，原子的位置不会随着电子流过它们而改变。相比之下，纳米线网络在物理上会根据刺激进行重新配置，其记忆基于其原子结构并扩散到整个系统中。在电线重叠的地方，连接可以形成或断裂——类似于生物大脑中神经元相互交流的突触行为。

悉尼大学这项研究的合作者开发了一种简化的算法，用于提供输入和解释输出。该算法经过定制，以利用系统类似大脑的能力，动态变化并同时处理多个数据流。

方法

类脑系统由含有银和硒的材料组成，这种材料被允许在16个电极阵列的顶部自组织成一个纠缠的纳米线网络。科学家们使用手写数字的图像训练和测试了纳米线网络，这是由美国国家标准与技术研究院创建的数据集，通常用于对机器学习系统进行基准测试。图像使用电脉冲逐像素传送到系统，每个脉冲持续千分之一秒，不同的电压代表亮像素或暗像素。

冲击

纳米线网络仍在开发中，预计执行类似任务所需的功率将远低于基于硅的人工智能系统。该网络还显示出当前人工智能难以完成的任务的前景：理解复杂的数据，例如天气、交通和其他随时间变化的系统模式。为此，当今的人工智能需要大量的训练数据和极高的能量消耗。

通过本研究中使用的协同设计类型（硬件和软件协同开发），纳米线网络最终可能与硅基电子设备一起发挥互补作用。嵌入在能够持续适应和学习的物理系统中的类大脑记忆和处理可能特别适合所谓的“边缘计算”，即在现场处理复杂的数据，而无需与遥远的服务器进行通信。潜在用途包括机器人技术、车辆和无人机等机器中的自主导航、构成物联网的智能设备技术，以及健康监测和协调来自多个位置的传感器的测量。

作者

该研究的通讯作者是加州大学洛杉矶分校杰出化学教授和CNSI成员James Gimzewski;加州大学洛杉矶分校研究科学家、CNSI副主任亚当·斯蒂格（Adam Stieg）;悉尼大学物理学教授Zdenka Kuncic;悉尼大学博士生朱若敏也是第一作者。其他合著者是 Sam Lilak，他于 2022 年获得加州大学洛杉矶分校博士学位;以及悉尼大学的Alon Loeffler和Joseph Lizier。

杂志

该研究发表在《自然通讯》上。

资金

该研究得到了悉尼大学和澳大利亚-美国富布赖特委员会的支持。