I septembernumret av tidskriften Natur, forskare från Texas A&M University, Hewlett Packard Labs och Stanford University har beskrivit en ny nanoenhet som fungerar nästan identiskt med en hjärncell. Vidare, de har visat att dessa syntetiska hjärnceller kan sättas samman för att bilda invecklade nätverk som sedan kan lösa problem på ett hjärnliknande sätt.

"Detta är den första studien där vi har kunnat emulera en neuron med bara en enda nanoskala enhet, som annars skulle behöva hundratals transistorer, " sa Dr. R. Stanley Williams, senior författare på studien och professor vid institutionen för elektro- och datateknik. "Vi har också framgångsrikt kunnat använda nätverk av våra artificiella neuroner för att lösa leksaksversioner av ett verkligt problem som är beräkningsintensivt även för de mest sofistikerade digitala teknikerna."

Särskilt, forskarna har visat proof of concept att deras hjärninspirerade system kan identifiera möjliga mutationer i ett virus, vilket är mycket relevant för att säkerställa effektiviteten av vacciner och mediciner för stammar som uppvisar genetisk mångfald.

Under de senaste decennierna, digital teknik har blivit mindre och snabbare till stor del på grund av framstegen inom transistorteknik. Dock, dessa kritiska kretskomponenter närmar sig snabbt sin gräns för hur små de kan byggas, initiera en global ansträngning för att hitta en ny typ av teknik som kan komplettera, om inte byt ut, transistorer.

Förutom detta "nedskalningsproblem" transistorbaserad digital teknik har andra välkända utmaningar. Till exempel, de kämpar med att hitta optimala lösningar när de presenteras med stora uppsättningar data.

"Låt oss ta ett välbekant exempel på att hitta den kortaste vägen från ditt kontor till ditt hem. Om du måste göra ett enda stopp, det är ett ganska enkelt problem att lösa. Men om du av någon anledning behöver göra 15 stopp emellan, du har 43 miljarder rutter att välja mellan, " sa Dr Suhas Kumar, huvudförfattare på studien och forskare vid Hewlett Packard Labs. "Detta är nu ett optimeringsproblem, och nuvarande datorer är ganska odugliga på att lösa det."

Kumar tillade att en annan svår uppgift för digitala maskiner är mönsterigenkänning, som att identifiera ett ansikte som detsamma oavsett synvinkel eller att känna igen en välbekant röst begravd i ett yr av ljud.

Men uppgifter som kan skicka digitala maskiner in i en datortizzy är sådana där hjärnan utmärker sig. Faktiskt, hjärnor är inte bara snabba på att känna igen och optimera problem, men de förbrukar också mycket mindre energi än digitala system. Därav, genom att härma hur hjärnan löser dessa typer av uppgifter, Williams sa att hjärninspirerade eller neuromorfa system potentiellt skulle kunna övervinna några av de beräkningshinder som dagens digitala teknologier möter.

Att bygga den grundläggande byggstenen i hjärnan eller en neuron, forskarna satte ihop en syntetisk enhet i nanoskala bestående av lager av olika oorganiska material, var och en med en unik funktion. Dock, de sa att den verkliga magin sker i det tunna lagret som är gjort av föreningen niobdioxid.

När en liten spänning appliceras på denna region, dess temperatur börjar öka. Men när temperaturen når ett kritiskt värde, niobdioxid genomgår en snabb personlighetsförändring, förvandlas från en isolator till en ledare. Men när den börjar leda elektriska strömmar, dess temperatur sjunker och niobdioxid växlar tillbaka till att vara en isolator.

Dessa övergångar fram och tillbaka gör att de syntetiska enheterna kan generera en puls av elektrisk ström som nära liknar profilen för elektriska spikar, eller aktionspotentialer, produceras av biologiska neuroner. Ytterligare, genom att ändra spänningen över deras syntetiska neuroner, forskarna reproducerade ett rikt utbud av neuronala beteenden som observerats i hjärnan, såsom ihållande, sprängning och kaotisk avfyring av elektriska spikar.

"Att fånga det dynamiska beteendet hos neuroner är ett nyckelmål för hjärninspirerade datorer, sade Kumar. vi kunde återskapa cirka 15 typer av neuronala avfyrningsprofiler, alla använder en enda elektrisk komponent och med mycket lägre energier jämfört med transistorbaserade kretsar."

För att utvärdera om deras syntetiska neuroner kan lösa verkliga problem, forskarna kopplade först samman 24 sådana enheter i nanoskala i ett nätverk inspirerat av kopplingarna mellan hjärnans cortex och talamus, en välkänd neural väg involverad i mönsterigenkänning. Nästa, de använde det här systemet för att lösa en leksaksversion av det virala kvasispecies-rekonstruktionsproblemet, där mutanta varianter av ett virus identifieras utan ett referensgenom.

Med hjälp av datainmatningar, forskarna introducerade nätverket för korta genfragment. Sedan, genom att programmera styrkan hos förbindelserna mellan de artificiella neuronerna inom nätverket, de fastställde grundläggande regler för att sammanfoga dessa genetiska fragment. Den pusselliknande uppgiften för nätverket var att lista mutationer i virusets genom baserat på dessa korta genetiska segment.

Forskarna fann att inom några mikrosekunder, deras nätverk av artificiella neuroner slog sig ner i ett tillstånd som var indikativt för genomet för en mutant stam.

Williams och Kumar noterade att detta resultat är ett principbevis på att deras neuromorfa system snabbt kan utföra uppgifter på ett energieffektivt sätt.

Forskarna sa att nästa steg i deras forskning kommer att vara att utöka repertoaren av de problem som deras hjärnliknande nätverk kan lösa genom att införliva andra avfyrningsmönster och några kännetecknande egenskaper hos den mänskliga hjärnan som inlärning och minne. De planerar också att ta itu med hårdvaruutmaningar för att implementera sin teknologi i kommersiell skala.

"Att beräkna statsskulden eller lösa någon storskalig simulering är inte den typ av uppgift den mänskliga hjärnan är bra på och det är därför vi har digitala datorer. Alternativt, vi kan utnyttja vår kunskap om neuronala kopplingar för att lösa problem som hjärnan är exceptionellt bra på, " sa Williams. "Vi har visat att beroende på typen av problem, det finns olika och mer effektiva sätt att göra andra beräkningar än de konventionella metoderna med digitala datorer med transistorer."