僅頭發(fā)絲1/200厚度！科學(xué)家用銀線(xiàn)團搭建「納米線(xiàn)網(wǎng)絡(luò )」，觸電就像大腦一樣運作

【導讀】來(lái)自悉尼大學(xué)和日本國家材料科學(xué)研究所的科學(xué)家們在自然通訊上發(fā)文：通過(guò)納米線(xiàn)網(wǎng)絡(luò )能夠模擬人類(lèi)大腦對于電信號的應激反應，這可能為人工智能領(lǐng)域打開(kāi)一扇新的大門(mén)。

如今主流的人工智能技術(shù)從某種意義上來(lái)講是受到大腦結構的啟發(fā)而發(fā)明的。

然而隨著(zhù)計算機算力的不斷提升，計算機的AI計算已經(jīng)與人腦有了本質(zhì)的區別：與人類(lèi)大腦相比，AI通過(guò)在大數據中尋找模型規律的能力是人類(lèi)大腦遠不能及的。

但是人類(lèi)的大腦顯然不相信「大力出奇跡」，并且大腦處理的信息往往都是稀疏、復雜而且時(shí)時(shí)都在劇烈變化的。

這也是如今不少AI科學(xué)家們夢(mèng)寐以求的特性。最近，來(lái)自悉尼大學(xué)和日本國家材料科學(xué)研究所的科學(xué)家們在自然通訊上發(fā)表論文，試著(zhù)通過(guò)使用納米線(xiàn)網(wǎng)絡(luò )（NWN）來(lái)模擬人類(lèi)大腦在受到電激時(shí)的反應，實(shí)驗效果還不錯。

所謂納米線(xiàn)網(wǎng)絡(luò )是由一堆平均長(cháng)度不超過(guò)10微米，直徑不超過(guò)500納米的銀納米團隨機鋪在晶圓上，并且在上面覆蓋一層約1納米厚的絕緣聚合物。

與傳統的集成電路不同的是，當電流流經(jīng)網(wǎng)絡(luò )時(shí)，將引起銀離子在聚合物中遷徙，從而在流經(jīng)不同的類(lèi)似突觸結構時(shí)，便會(huì )產(chǎn)生與人類(lèi)大腦類(lèi)似的反應。 

這也為從微觀(guān)物理結構角度來(lái)解釋大腦的工作原理打下了基礎。

研究團隊的最新結果表明，將納米線(xiàn)網(wǎng)絡(luò )保持在一個(gè)類(lèi)似「混沌邊緣」的狀態(tài)，在處理任務(wù)時(shí)可以獲得相當高效而且理想的結果。

這似乎為人工智能計算打開(kāi)了新的大門(mén)。 

研究人員利用含有PVP涂層的自組裝銀納米線(xiàn)形成高度無(wú)序、復雜的網(wǎng)絡(luò )拓撲。NWN作為一種神經(jīng)形態(tài)設備，在整個(gè)網(wǎng)絡(luò )的固定電極位置之間應用偏壓操作。

為了更深入地了解神經(jīng)形態(tài)動(dòng)力學(xué)，研究人員開(kāi)發(fā)了一個(gè)物理驅動(dòng)的 Ag PVP NWN 計算模型。

圖c. Gjn對∣Λ∣的非線(xiàn)性相關(guān)性，即產(chǎn)生類(lèi)似開(kāi)關(guān)的交界動(dòng)態(tài)

當 0 ≤ ∣Λ∣ < Λcrit 時(shí)為絕緣。當∣Λ∣ 接近 Λcrit 時(shí)，交界處過(guò)渡到隧穿狀態(tài)，其中電導隨 ∣Λ∣ 的增加呈指數增長(cháng)。 

接下來(lái)，論文介紹了使用該模型做的模擬實(shí)驗，分析該神經(jīng)形態(tài)系統的網(wǎng)絡(luò )級動(dòng)態(tài)。

圖b. NWN 的快照可視化，顯示第一傳輸通路的形成，對應到最短路徑長(cháng)度 n。

圖c. 穩態(tài)網(wǎng)絡(luò )電導 

該部分的研究結果表明，NWN能夠自適應地響應外部驅動(dòng)，并且可以在雙穩態(tài)（LCS和HCS）之間進(jìn)行一階相變。這些全局網(wǎng)絡(luò )動(dòng)態(tài)狀態(tài)源于節點(diǎn)之間的循環(huán)連接及其切換狀態(tài)。

網(wǎng)絡(luò )激活或去激活可以理解為節點(diǎn)之間的循環(huán)連接中出現的集體效應。

根據基爾霍夫定律（KVL），所有進(jìn)入某節點(diǎn)的電流總和等于所有離開(kāi)這節點(diǎn)的電流總和；沿著(zhù)閉合回路所有元件兩端的電壓的代數和等于零。

經(jīng)過(guò)一系列交匯點(diǎn)的切換，實(shí)驗結果表明，傳輸通路的出現是因為復雜網(wǎng)絡(luò )拓撲結構和憶阻連接點(diǎn)切換之間產(chǎn)生的耦合。當連接點(diǎn)過(guò)渡到導電狀態(tài)時(shí)，會(huì )引發(fā)級聯(lián)活動(dòng)，自適應地重新將電壓分配到周?chē)?/span>

研究團隊發(fā)現，在神經(jīng)元群和其他神經(jīng)形態(tài)系統中，具有無(wú)標度大小和生命周期事件統計數據的雪崩，這是臨界動(dòng)力學(xué)的一個(gè)標志。

通過(guò)改變遠離閾值Vth的驅動(dòng)電壓強度，雪崩分布開(kāi)始偏離冪律。

當V*<1時(shí)，網(wǎng)絡(luò )中無(wú)法形成通路，切換會(huì )導致小規模雪崩（圖中黑點(diǎn)所示）。 

當V*接近1時(shí)，分布延長(cháng)，成為冪律（圖中紅點(diǎn)所示）。

當V*=1時(shí)，即網(wǎng)絡(luò )激活時(shí)，雙峰分布明顯，雪崩特征明顯且出現在冪律尾部。

隨著(zhù)網(wǎng)絡(luò )規模增加，凸起相對于冪律區域的概率密度也會(huì )增加。這表明這些異常大的雪崩符合超臨界狀態(tài)。

在不同的電信號刺激下，納米線(xiàn)網(wǎng)絡(luò )呈現出了不同狀態(tài)的反應。想要讓納米線(xiàn)網(wǎng)絡(luò )呈現出「邊緣混沌」狀態(tài)，需要令驅動(dòng)系統的交流電信號的李雅普諾夫指數λ≈0。 

當λ≈0的時(shí)候，系統會(huì )進(jìn)入到「邊緣混沌」狀態(tài)

另外研究還發(fā)現，當慢速驅動(dòng)時(shí)，網(wǎng)絡(luò )能夠適應并維持擾動(dòng)幅度，而當快速驅動(dòng)時(shí)，網(wǎng)絡(luò )則無(wú)法適應擾動(dòng)，并且會(huì )導致相鄰網(wǎng)絡(luò )節點(diǎn)分離。而頻率的快慢則取決于信號的幅度以及網(wǎng)絡(luò )的結構（大小和密度）。而在擾動(dòng)收縮和擾動(dòng)增長(cháng)之間的動(dòng)態(tài)平衡機制，則可以維持系統的穩定性。

所以通過(guò)調整驅動(dòng)信號來(lái)控制系統狀態(tài)，可以令納米線(xiàn)網(wǎng)絡(luò )維持在理想的狀態(tài)下。

為了驗證納米線(xiàn)網(wǎng)絡(luò )的性能，研究團隊使用它進(jìn)行了簡(jiǎn)單的波形變換工作。

將正弦波輸入網(wǎng)絡(luò )，通過(guò)線(xiàn)性回歸模型來(lái)訓練不同目標的波形，最后將納米線(xiàn)電壓作為輸出?？梢垣@得下圖的波形：

可以驗證，不同的λ值對應著(zhù)不同的變換精度，當λ≈0時(shí)，系統精度達到了0.95，對于方形波而言，當網(wǎng)絡(luò )處于「混沌」狀態(tài)時(shí)（λ＞0），精度會(huì )迅速下降。根據不同復雜度的計算任務(wù)，系統的計算精度展現出不同的變化，但是當系統處于「混沌邊緣」狀態(tài)時(shí)，表現最為出色。

總而言之，納米線(xiàn)神經(jīng)網(wǎng)絡(luò )可以通過(guò)控制輸入信號的控制下可以在有序和混沌狀之間進(jìn)行調整，這表明納米線(xiàn)網(wǎng)絡(luò )可以調整成為與大腦類(lèi)似的，多樣化的動(dòng)力學(xué)機制，在信息處理以及人工智能的相關(guān)計算領(lǐng)域潛力巨大。

對于傳統的人工智能網(wǎng)絡(luò )而言，計算機在訓練網(wǎng)絡(luò )算法時(shí)需要判斷給哪個(gè)節點(diǎn)分配適量的負載，而這套系統則不需要類(lèi)似的算法，因為納米線(xiàn)網(wǎng)絡(luò )可以自動(dòng)適應并分配節點(diǎn)的負載。

這可以節省許多的計算資源，還能夠降低AI計算的碳足跡，發(fā)表這項研究的科學(xué)家說(shuō)到。