I vad som kan vara ett litet steg för vetenskapen som potentiellt kan leda till ett genombrott, en ingenjör vid Washington University i St. Louis har tagit steg mot att använda nanokristallnätverk för applikationer för artificiell intelligens.

Elijah Thimsen, biträdande professor i energi, miljö- och kemiteknik vid Tekniska högskolan, och hans medarbetare har utvecklat en modell för att testa befintliga teorier om hur elektroner rör sig genom nanomaterial. Denna modell kan lägga grunden för att använda nanomaterial i en maskininlärningsenhet.

"När man bygger enheter av nanomaterial, de beter sig inte alltid som de skulle för ett bulkmaterial, "Thimsen sa." En av de saker som förändras dramatiskt är hur dessa elektroner rör sig genom material, kallad elektrontransportmekanism, men det är inte väl förstått hur det går till. "

Thimsen och hans team baserade modellen på en ovanlig teori om att varje nanopartikel i ett nätverk är en nod som är ansluten till varannan nod, inte bara dess närmaste grannar. Lika ovanligt är att strömmen som strömmar genom noderna inte nödvändigtvis upptar utrymmena mellan noderna - den behöver bara passera genom noderna själva. Detta beteende, som förutses av modellen, producerar experimentellt observerbara aktuella hotspots på nanoskala, sa forskaren.

Dessutom, teamet tittade på en annan modell som kallas ett neuralt nätverk, baserat på den mänskliga hjärnan och nervsystemet. Forskare har arbetat med att bygga nya datorchips för att efterlikna dessa nätverk, men dessa marker är långt ifrån den mänskliga hjärnan, som innehåller upp till 100 miljarder noder och 10, 000 anslutningar per nod.

"Om vi ​​har ett stort antal noder - mycket större än allt som finns - och ett stort antal anslutningar, hur tränar vi det? "frågar Thimsen." Vi vill få det här stora nätverket att utföra något nyttigt, till exempel en mönsterigenkänningsuppgift. "

Baserat på dessa nätverksteorier, Thimsen har föreslagit ett inledande projekt för att designa ett enkelt chip, ge den särskilda inmatningar och studera utgångarna.

"Om vi ​​behandlar det som ett neuralt nätverk, vi vill se om utdata från enheten beror på ingången, "Sa Thimsen." När vi väl kan bevisa det, vi tar nästa steg och föreslår en ny enhet som gör att vi kan träna detta system för att utföra en enkel mönsterigenkänningsuppgift. "

Resultaten av deras arbete publicerades i avancerad online -publicering av The Journal of Physical Chemistry C .