(Phys.org) – Trots datorernas många fantastiska prestationer, ingen konstgjord dator kan lära av sin miljö, anpassa sig till sin omgivning, spontant självorganisera, och lösa komplexa problem som kräver dessa förmågor samt en biologisk hjärna. Dessa förmågor härrör från det faktum att hjärnan är ett komplext system som kan utveckla beteende, vilket innebär att systemet involverar interaktioner mellan många enheter som resulterar i makroskalabeteende som inte kan tillskrivas någon enskild enhet.

Tyvärr, Konventionella tillverkningsmetoder som används för dagens datorer kan inte användas för att realisera komplexa system till sin fulla potential på grund av skalningsgränser – metoderna kan helt enkelt inte göra tillräckligt små sammankopplade enheter.

Nu i en ny tidning publicerad i Nanoteknik , forskare vid UCLA och National Institute for Materials Science i Japan har utvecklat en metod för att tillverka en självorganiserad komplex enhet som kallas ett atomic switch-nätverk som på många sätt liknar en hjärna eller annan naturlig eller kognitiv datorenhet.

"Komplexa fenomen och självorganisering - även om de är allestädes närvarande till sin natur, socialt beteende, och ekonomin – har aldrig framgångsrikt använts i konventionella datorer för förutsägelse och modellering, "James Gimzewski, Professor i kemi vid UCLA, berättade Phys.org . "Enheten vi har skapat är kapabel att snabbt generera självorganisering i ett litet chip med hög hastighet. Dessutom, den kringgår frågan om exponentiell maskinkomplexitet som krävs som en funktion av problemkomplexitet som i dagens datorer. Våra första steg ligger till grund för en ny typ av beräkningar som behövs i vår ständigt allt mer uppkopplade värld."

Som forskarna förklarar, en atomomkopplare är en enhet i nanoskala som uppvisar membranmotstånd, vilket innebär att den justerar sitt motstånd till en applicerad ström eller spänning baserat på dess minne från tidigare möten. Denna egenskap är väsentlig för komplexa system eftersom den ligger till grund för förmågan att lära, interagera med omgivningen, och ta itu med problem där data ständigt förändras eller är ofullständiga.

Även om vissa naturliga datorenheter använder naturliga material, det här utvecklade atomväxelnätverket är helt och hållet tillverkat av oorganiska material. Litografiskt mönstrade kopparstolpar bildar ett "mönstrat frönätverk, " ovanpå vilka silvernanotrådar odlas. Slutresultatet är ett nätverk av silversulfidomkopplare och silvernanotrådar som kopplar samman switcharna.

Experiment visade att atomväxelnätverket uppvisar framväxande beteende, där interaktioner mellan de individuella atombrytarna leder till mönster av elektrisk aktivitet som inte kan tillskrivas någon enskild strömbrytare, men bara till nätverket som helhet. Atomväxlingsnätverket har också en inneboende anpassningsförmåga, eftersom silvernanotrådsanslutningarna ständigt omkonfigurerar sig själva och switcharna ständigt bildas och löses upp på olika platser i nätverket.

Dessa egenskaper skiljer sig mycket från de hos konventionella datorer och kan användas för att lösa unika uppsättningar av komplexa problem. Forskarna ser speciella tillämpningar inom området reservoarberäkning, som har potential att behandla information i mycket höga hastigheter.

"Möjliga applikationer inkluderar att köra flera simuleringar av finansiella marknader, igenkänning av information i felbenägen och brusig data, såsom syn och tal, hela vägen till autonom navigering i föränderliga miljöer, som efter jordbävningar eller katastrofer, "Sade Gimzewski. "Äntligen, reservoarberäkning har en roll att spela inom medicin inom kognitiv och neurovetenskap."

Forskarna hoppas att den nya tillverkningsstrategin för fröstyrd tillväxt som används här kommer att tillhandahålla en ny hårdvaruplattform för reservoarberäkning och andra typer av naturlig beräkning baserad på komplexa system.

"Vi planerar att gå mot ett hybridmorfiskt system som använder det bästa av konventionella beräkningar med våra hjärnliknande anordningar, och att utveckla en ny form av programmering som bygger på distribuerat minne och synaptiska nätverk, Gimzewski sa. "Detta skulle vara ett radikalt steg i den verkliga utvecklingen av AI."

© 2015 Phys.org