Artificiell intelligens med hjälp av neurala nätverk utför beräkningar digitalt med hjälp av mikroelektroniska chips. Fysiker vid Leipzigs universitet har nu skapat en typ av neurala nätverk som inte fungerar med elektricitet utan med så kallade aktiva kolloidala partiklar. I deras publikation i Nature Communications , beskriver forskarna hur dessa mikropartiklar kan användas som ett fysiskt system för artificiell intelligens och förutsägelse av tidsserier.
"Vårt neurala nätverk tillhör området fysisk reservoarberäkning, som använder dynamiken i fysiska processer, såsom vattenytor, bakterier eller bläckfisktentakelmodeller, för att göra beräkningar", säger professor Frank Cichos, vars forskargrupp utvecklat nätverket med stöd för ScaDS.AI.
"I vår insikt använder vi syntetiska självgående partiklar som bara är några mikrometer stora", förklarar Cichos. "Vi visar att dessa kan användas för beräkningar och presenterar samtidigt en metod som dämpar påverkan av störande effekter, som buller, i de kolloidala partiklarnas rörelse." Kolloidala partiklar är partiklar som är finfördelade i sitt dispersionsmedium (fast, gas eller flytande).
För sina experiment utvecklade fysikerna små enheter gjorda av plast- och guldnanopartiklar, där en partikel roterar runt en annan, driven av en laser. Dessa enheter har vissa fysiska egenskaper som gör dem intressanta för reservoarberäkning.
"Var och en av dessa enheter kan bearbeta information, och många enheter utgör den så kallade reservoaren. Vi ändrar partiklarnas rotationsrörelse i reservoaren med hjälp av en insignal. Den resulterande rotationen innehåller resultatet av en beräkning", förklarar Dr. Xiangzun Wang. "Som många neurala nätverk måste systemet tränas för att utföra en viss beräkning."
Forskarna var särskilt intresserade av buller. "Eftersom vårt system innehåller extremt små partiklar i vatten utsätts reservoaren för starkt brus, liknande det buller som alla molekyler i en hjärna utsätts för", säger Cichos.
"Det här bruset, Brownska rörelser, stör funktionen hos reservoardatorn allvarligt och kräver vanligtvis en mycket stor reservoar för att åtgärda. I vårt arbete har vi funnit att användning av tidigare tillstånd av reservoaren kan förbättra datorns prestanda, vilket gör att mindre reservoarer kan användas för vissa beräkningar under bullriga förhållanden."
Cichos tillägger att detta inte bara har bidragit till området informationsbehandling med aktivt material, utan också gett en metod som kan optimera reservoarberäkningar genom att minska brus.
Mer information: Xiangzun Wang et al, Utnyttja syntetiska aktiva partiklar för fysisk reservoarberäkning, Nature Communications (2024). DOI:10.1038/s41467-024-44856-5
Journalinformation: Nature Communications
Tillhandahålls av Leipzig University
