Forskare vid University of Sydney och Japans National Institute for Material Science (NIMS) har upptäckt att ett artificiellt nätverk av nanotrådar kan ställas in för att svara på ett hjärnliknande sätt när de stimuleras elektriskt.

Det internationella laget, ledd av Joel Hochstetter med professor Zdenka Kuncic och professor Tomonobu Nakayama, fann att genom att hålla nätverket av nanotrådar i ett hjärnliknande tillstånd "vid kanten av kaos", den utförde uppgifter på en optimal nivå.

Detta, de säger, antyder att den underliggande naturen hos neural intelligens är fysisk, och deras upptäckt öppnar en spännande väg för utvecklingen av artificiell intelligens.

Studien publiceras idag i Naturkommunikation.

"Vi använde ledningar 10 mikrometer långa och inte tjockare än 500 nanometer arrangerade slumpmässigt på ett tvådimensionellt plan, " sa huvudförfattaren Joel Hochstetter, en doktorand vid University of Sydney Nano Institute och School of Physics.

"Där ledningarna överlappar varandra, de bildar en elektrokemisk förbindelse, som synapserna mellan neuroner, " sa han. "Vi fann att elektriska signaler som skickas genom detta nätverk automatiskt hittar den bästa vägen för att överföra information. Och den här arkitekturen tillåter nätverket att "komma ihåg" tidigare vägar genom systemet."

På gränsen till kaos

Med hjälp av simuleringar, forskargruppen testade det slumpmässiga nanotrådsnätverket för att se hur det skulle fungera bäst för att lösa enkla uppgifter.

Om signalen som stimulerade nätverket var för låg, då var vägarna för förutsägbara och ordnade och producerade inte tillräckligt komplexa resultat för att vara användbara. Om den elektriska signalen överväldigade nätverket, utgången var helt kaotisk och värdelös för problemlösning.

Den optimala signalen för att producera en användbar utgång var vid kanten av detta kaotiska tillstånd.

"Vissa teorier inom neurovetenskap tyder på att det mänskliga sinnet kan arbeta vid denna kant av kaos, eller det som kallas det kritiska tillståndet, ", sa professor Kuncic från University of Sydney. "Vissa neuroforskare tror att det är i det här tillståndet där vi uppnår maximal hjärnprestanda."

Professor Kuncic är Mr Hochstetters doktorsexamen. rådgivare och är för närvarande Fulbright Scholar vid University of California i Los Angeles, arbetar i skärningspunkten mellan nanovetenskap och artificiell intelligens.

Hon sa:"Det som är så spännande med det här resultatet är att det tyder på att dessa typer av nanotrådsnätverk kan ställas in i regimer med olika, hjärnliknande kollektiv dynamik, som kan utnyttjas för att optimera informationsbehandlingen."

Att övervinna datordualitet

I nanotrådsnätverket gör korsningarna mellan ledningarna att systemet kan integrera minne och operationer i ett enda system. Detta är till skillnad från vanliga datorer, som separerar minne (RAM) och operationer (CPU).

"Dessa korsningar fungerar som datortransistorer men med den extra egenskapen att komma ihåg att signaler har färdats den vägen tidigare. Som sådan, de kallas "memristorer", sa herr Hochstetter.

Detta minne tar en fysisk form, där korsningarna vid korsningspunkterna mellan nanotrådar fungerar som omkopplare, vars beteende beror på historisk respons på elektriska signaler. När signaler appliceras över dessa korsningar, små silverfilament växer och aktiverar kopplingarna genom att låta ström flöda igenom.

"Detta skapar ett minnesnätverk inom det slumpmässiga systemet av nanotrådar, " han sa.

Herr Hochstetter och hans team byggde en simulering av det fysiska nätverket för att visa hur det kunde tränas för att lösa mycket enkla uppgifter.

"För denna studie tränade vi nätverket att omvandla en enkel vågform till mer komplexa typer av vågformer, sa herr Hochstetter.

I simuleringen justerade de amplituden och frekvensen för den elektriska signalen för att se var den bästa prestandan inträffade.

"Vi upptäckte att om du trycker på signalen för långsamt gör nätverket bara samma sak om och om igen utan att lära sig och utvecklas. Om vi ​​pressade det för hårt och snabbt, nätverket blir oberäkneligt och oförutsägbart, " han sa.

Forskare från University of Sydney arbetar nära med medarbetare vid International Center for Materials Nanoarchictectonics vid NIMS i Japan och UCLA där professor Kuncic är gästande Fulbright Scholar. Nanotrådssystemen utvecklades vid NIMS och UCLA och Mr Hochstetter utvecklade analysen, arbeta med medförfattare och doktorander, Ruomin Zhu och Alon Loeffler.

Minska energiförbrukningen

Professor Kuncic sa att att förena minne och operationer har enorma praktiska fördelar för den framtida utvecklingen av artificiell intelligens.

"Algorithmer som behövs för att träna nätverket för att veta vilken korsning som ska tilldelas lämplig "belastning" eller vikt av information tuggar upp mycket kraft, " Hon sa.

"De system vi utvecklar undanröjer behovet av sådana algoritmer. Vi tillåter bara nätverket att utveckla sin egen viktning, vilket betyder att vi bara behöver oroa oss för signal in och signal ut, ett ramverk som kallas "reservoarberäkning". Nätverksvikterna är självanpassande, potentiellt frigöra stora mängder energi."

Detta, Hon sa, innebär att alla framtida artificiell intelligenssystem som använder sådana nätverk skulle ha mycket lägre energiavtryck.