För första gången har ett fysiskt neuralt nätverk framgångsrikt visat sig lära sig och komma ihåg "i farten", på ett sätt inspirerat av och liknande hur hjärnans neuroner fungerar.

Resultatet öppnar en väg för att utveckla effektiv och lågenergi maskinintelligens för mer komplexa, verkliga inlärnings- och minnesuppgifter.

Publicerad idag i Nature Communications , forskningen är ett samarbete mellan forskare vid University of Sydney och University of California i Los Angeles.

Huvudförfattare Ruomin Zhu, en Ph.D. student från University of Sydney Nano Institute och School of Physics, sa:"Fynden visar hur hjärninspirerade inlärnings- och minnesfunktioner som använder nanotrådnätverk kan utnyttjas för att bearbeta dynamisk, strömmande data."

Nanotrådnätverk består av små trådar som bara är miljarddels meter i diameter. Ledningarna ordnar sig i mönster som påminner om barnspelet "Pick Up Sticks", som efterliknar neurala nätverk, som de i våra hjärnor. Dessa nätverk kan användas för att utföra specifika uppgifter för informationsbearbetning.

Minnes- och inlärningsuppgifter uppnås med enkla algoritmer som svarar på förändringar i elektroniskt motstånd vid korsningar där nanotrådarna överlappar varandra. Denna funktion, känd som "resistiv minnesväxling", skapas när elektriska ingångar möter förändringar i konduktivitet, liknande vad som händer med synapser i vår hjärna.

I den här studien använde forskare nätverket för att känna igen och komma ihåg sekvenser av elektriska pulser som motsvarar bilder, inspirerade av hur den mänskliga hjärnan bearbetar information.

Den övervakande forskaren professor Zdenka Kuncic sa att minnesuppgiften liknade att komma ihåg ett telefonnummer. Nätverket användes också för att utföra en referensuppgift för bildigenkänning, åtkomst till bilder i MNIST-databasen med handskrivna siffror, en samling av 70 000 små gråskalebilder som används i maskininlärning.

"Vår tidigare forskning har fastställt förmågan hos nanowire-nätverk att komma ihåg enkla uppgifter. Detta arbete har utökat dessa resultat genom att visa att uppgifter kan utföras med hjälp av dynamisk data som nås online", sa hon.

"Detta är ett viktigt steg framåt eftersom det är en utmaning att uppnå en onlineinlärningsförmåga när man hanterar stora mängder data som kan förändras kontinuerligt. En standardmetod skulle vara att lagra data i minnet och sedan träna en maskininlärningsmodell med hjälp av den lagrade informationen. Men detta skulle tugga upp för mycket energi för utbredd tillämpning."

"Vår nya tillvägagångssätt gör det möjligt för nanotrådarnas neurala nätverk att lära sig och komma ihåg "i farten", prov för prov, extrahera data online och på så sätt undvika hög minnes- och energianvändning."

Zhu sa att det fanns andra fördelar med att behandla information online.

"Om data strömmas kontinuerligt, som det skulle vara från en sensor till exempel, skulle maskininlärning som förlitade sig på artificiella neurala nätverk behöva ha förmågan att anpassa sig i realtid, vilket de för närvarande inte är optimerade för." sa han.

I den här studien visade nanotrådens neurala nätverk en riktmärke för maskininlärning, som fick 93,4 procent i korrekt identifiering av testbilder. Minnesuppgiften innebar att återkalla sekvenser på upp till åtta siffror. För båda uppgifterna strömmades data in i nätverket för att visa dess kapacitet för onlineinlärning och för att visa hur minnet förbättrar denna inlärning.

Mer information: Online dynamisk inlärning och sekvensminne med neuromorfa nanotrådsnätverk, Nature Communications (2023). DOI:10.1038/s41467-023-42470-5

Journalinformation: Nature Communications

Tillhandahålls av University of Sydney