Isaac Newtons banbrytande vetenskapliga produktivitet medan den är isolerad från spridningen av bubonic pest är legendarisk. Fysiker från University of California San Diego kan nu göra anspråk på en andel i annalerna för pandemidriven vetenskap.

Ett team av UC San Diego -forskare och kollegor vid Purdue University har nu simulerat grunden för nya typer av artificiell intelligensberäkningsenheter som efterliknar hjärnans funktioner, en prestation som berodde på COVID-19-pandemins låsning. Genom att kombinera nya superdatormaterial med specialiserade oxider, forskarna visade framgångsrikt ryggraden i nätverk av kretsar och enheter som speglar anslutningen av neuroner och synapser i biologiskt baserade neurala nätverk.

Simuleringarna beskrivs i Förfaranden från National Academy of Sciences ( PNAS ).

Eftersom bandbreddskraven på dagens datorer och andra enheter når sin tekniska gräns, forskare arbetar mot en framtid där nya material kan orkestreras för att efterlikna hastigheten och precisionen hos djurliknande nervsystem. Neuromorf beräkning baserad på kvantmaterial, som visar kvantmekanikbaserade egenskaper, tillåta forskare möjligheten att röra sig utanför gränserna för traditionella halvledarmaterial. Denna avancerade mångsidighet öppnar dörren till nya åldersenheter som är mycket mer flexibla med lägre energikrav än dagens enheter. Några av dessa insatser leds av avdelningen för fysikassistent Alex Frañó och andra forskare i UC San Diego's Quantum Materials for Energy Efficient Neuromorphic Computing (Q-MEEN-C), en avdelning för energistödda Energy Frontier Research Center.

"Under de senaste 50 åren har vi sett otroliga tekniska prestationer som resulterade i datorer som blev allt mindre och snabbare - men även dessa enheter har gränser för datalagring och energiförbrukning, sa Frañó, som fungerade som en av PNAS -tidningens författare, tillsammans med tidigare UC San Diego kansler, UC -president och fysiker Robert Dynes. "Neuromorphic computing är inspirerad av de framväxande processerna hos miljontals neuroner, axoner och dendriter som är anslutna över hela kroppen i ett extremt komplext nervsystem. "

Som experimentella fysiker, Frañó och Dynes är vanligtvis upptagna i sina laboratorier med hjälp av toppmoderna instrument för att utforska nya material. Men när pandemin började, Frañó och hans kollegor tvingades isoleras av oro över hur de skulle hålla sin forskning framåt. De kom så småningom till insikten att de kunde avancera sin vetenskap ur perspektivet av simuleringar av kvantmaterial.

"Detta är ett pandemipapper, "sa Frañó." Jag och mina medförfattare bestämde oss för att studera denna fråga ur ett mer teoretiskt perspektiv så vi satte oss ner och började ha veckomöten (zoombaserade) möten. Så småningom utvecklades idén och tog fart. "

Forskarnas innovation baserades på att förena två typer av kvantämnen - supraledande material baserade på kopparoxid och metallisolatorövergångsmaterial som är baserade på nickeloxid. De skapade grundläggande "loop-enheter" som exakt kunde kontrolleras i nanoskala med helium och väte, speglar hur neuroner och synapser är anslutna. Lägga till fler av dessa enheter som länkar och utbyter information med varandra, simuleringarna visade att de så småningom skulle tillåta skapandet av en rad nätverksenheter som visar framväxande egenskaper som ett djurs hjärna.

Som hjärnan, neuromorfa enheter utformas för att förbättra förbindelser som är viktigare än andra, på samma sätt som synapser väger viktigare budskap än andra.

"Det är förvånande att när du börjar lägga in fler slingor, du börjar se beteende som du inte förväntade dig, "sa Frañó." Från den här artikeln kan vi tänka oss att göra detta med sex, 20 eller hundra av dessa enheter - då blir det exponentiellt rikt därifrån. I slutändan är målet att skapa ett mycket stort och komplext nätverk av dessa enheter som har förmågan att lära sig och anpassa sig. "

Med lätta pandemibegränsningar, Frañó och hans kollegor är tillbaka i laboratoriet, testa de teoretiska simuleringarna som beskrivs i PNAS-dokumentet med verkliga instrument.